1. 랜덤 포레스트 (Random Forest)의 개요 개념도 개념 분류/회귀 분석 등에 사용하기 위해 다수 의사결정 트리를 결합하여 분류/회귀 모형을 생성하는 앙상블 기반 머신러닝 학습 기법 특징 임의성 임의로 각 트리들이 서로 다른 특성을 가짐 과적합 극복 임의화를 통한 과적합 문제를 극복 앙상블 학습 기법 중 bagging 보다 더 많은 임의성을 주어 학습기 생성 후 결합하여
I. 지도 학습의 개요 가. 지도 학습 (Supervised Learning)의 개념 훈련 데이터(Training Data)로부터 하나의 함수를 유추해내기 위한 기계 학습(Machine Learning) 기법 나. 지도 학습의 특징 명시적인 정답이 주어진 상황에서 기계를 학습 시키기 위해 데이터와 레이블을 사용 사람이 목표값에 개입하므로 정확도가 높으나 시간이 오래걸리고 필요 데이터량이 많음 II. 지도 학습의 기법 및 알고리즘 가. 지도
I. Side Effect와 Ripple Effect 제거, 회귀 테스트 가. 회귀 테스트의 개념 기존 오류 제거 및 수정에 따른 새로운 오류 발생여부를 확인하기 위해 수행하는 반복 테스트 기법 나. 회귀 테스트로 인해 검출되는 오류 Side Effect(부작용) – 오류 제거 및 수정이 이루어 졌으나 고려하지 못한 다른 결과가 발생하는 현상 Ripple Effect(파급효과) – 오류 제거 및 수정