[통계] 지도학습 - 분류

이름

지도 학습의 회귀(Regression) 문제에서 모델이 예측하고자 하는 대상은 주로 무엇인가요?

A

데이터가 속할 범주 또는 클래스

B

데이터 내 숨겨진 군집 구조

C

연속적인 숫자 값 (예: 가격, 온도, 점수)

D

최적의 행동 정책

중고차 가격 예측 예제에서 pd.get_dummies(X, drop_first=True) 코드를 사용한 주된 이유는 무엇인가요?

A

데이터의 결측값을 채우기 위해

B

가격(price) 변수의 분포를 정규분포에 가깝게 만들기 위해

C

모델이 처리할 수 있도록 범주형 변수(예: 자동차 모델, 연료 타입 등)를 숫자형(0 또는 1)으로 변환하기 위해

D

이상치(outlier) 데이터를 제거하기 위해

scikit-learn의 LinearRegression 모델을 학습시킨 후, 각 독립 변수에 대한 회귀 계수( 기울기) 값은 어떤 속성을 통해 확인할 수 있나요?

A

model.intercept_

B

model.predict(X_test)

C

model.coef_

D

model.score(X_test, y_test)

회귀 모델의 성능을 평가하는 지표인 RMSE (Root Mean Squared Error)에 대한 설명으로 가장 적절한 것은 무엇인가요?

A

모델이 설명하는 종속 변수 분산의 비율을 나타내며, 1에 가까울수록 좋다.

B

실제 값과 예측 값 차이의 제곱 평균에 제곱근을 취한 값으로, 작을수록 모델 성능이 우수하다.

C

모델이 양성 클래스를 얼마나 잘 예측하는지를 나타내는 지표이다.

D

분류 문제에서 사용되며, 전체 예측 중 올바르게 예측한 비율을 의미한다.

결정계수(R-squared, R²) 값이 0.8이라는 것은 무엇을 의미하나요?

A

모델의 예측 오차의 평균 크기가 0.8이다.

B

모델이 예측한 값 중 80%가 실제 값과 정확히 일치한다.

C

종속 변수(y)의 총 변동성 중 80%를 모델이 설명할 수 있다.

D

모델에 사용된 독립 변수 중 80%가 통계적으로 유의미하다.

랜덤 포레스트 회귀(Random Forest Regression) 모델은 여러 개의 결정 트리(회귀 트리)를 어떻게 활용하여 최종 예측값을 만드나요?

A

각 트리의 예측값 중 가장 빈도가 높은 값을 선택한다.

B

각 트리의 예측값들의 평균(average)을 계산한다.

C

가장 깊이가 깊은 트리의 예측값만을 사용한다.

D

각 트리의 예측값들을 모두 더한다.

랜덤 포레스트 모델에서 제공하는 '특징 중요도(Feature Importance)'는 어떤 정보를 제공하나요?

A

각 특징(독립변수) 값이 1 증가할 때 종속변수가 얼마나 변하는지 정확한 수치

B

모델의 예측 과정에서 각 특징이 상대적으로 얼마나 중요하게 기여했는지에 대한 점수

C

각 특징과 종속변수 간의 피어슨 상관계수 값

D

모델 학습에 사용된 각 특징의 데이터 타입(범주형/연속형)

본문의 설명에 따르면, 일반적으로 선형 회귀 모델과 랜덤 포레스트 회귀 모델을 비교했을 때 나타나는 특징으로 옳은 것은 무엇인가요?

A

선형 회귀는 예측 성능이 항상 더 높지만, 모델 해석이 어렵다.

B

랜덤 포레스트는 모델 해석이 용이하지만, 예측 성능은 일반적으로 낮다.

C

선형 회귀는 모델 해석이 용이하지만, 예측 성능은 랜덤 포레스트보다 낮은 경우가 많다.

D

두 모델 모두 예측 성능과 해석 용이성 측면에서 큰 차이가 없다.