•앙상블 학습(Ensemble Learning)의 기본 개념과 장점에 대해 설명해 주세요.
•앙상블 학습은 여러 개의 모델을 협합하여 최종 예측을 개선하는 방법입니다.
•주요 앙상블 기법으로는 배깅(Bagging)과 부스팅(Boosting)이 있으며, stacking 이 방법들은 모델의 예측 성능을 향상시키고 과적합(overfitting을 방지하는 데 도움을 줍니다.
•일반적으로 모델의 성능을 올릴려면 크기를 더 키우는 것이 효과적 (모델이 커지면 기억할수 있는 능력도 커짐)
•하지만 이 방법은 오버피팅의 위험성 또한 같이 증가시킴
•또다른 방법으로는 앙상블 학습이 있음
•상대적으로 단순한 모델들 여러 개가 협업해서 최종 예측을 만드는 것
•앙상블 학습에서는 각 모델이 주어진 데이터의 다양한 특징들을 독립적으로 학습함
•따라서 최종 예측은 보다 덜 편향적이고 일반화된 답을 할 수 있음 (오버피팅이 일어날 가능성이 상대적으로 적음)
•단순히 비유하자면, 여러 사람들이 서로 의견을 주고받으며 보다 나은 결론을 내는 상황과 비슷함
•Bagging
•여러 개의 독립적인 모델을 학습시키는 것
•Boosting
•여러 모델은 순차적으로 학습시키는 것
•각 모델은 이전 모델이 만든 실수를 교정함
•Stacking
•여러 모델의 예측을 사용해 새로운 메타 모델을 학습시키는 것
•메타 모델은 각 예측을 고려해 최종 예측을 만듬
