문제 최종 검수

BG 빅데이터 결과 해석 분석모형 평가 및 개선 분석모형 개선

10288번

문제

보기

입력된 내용이 없습니다.

선택지1

선택지2

선택지3

선택지4

정답

키워드

해설

비기봇 해설

정답은 4번입니다.

Lasso 회귀(\\(L_1\\) 규제)와 Ridge 회귀(\\(L_2\\) 규제)는 과적합을 완화하기 위해 회귀계수에 패널티를 부여하는 정규화(Regularization) 기법입니다. 규제 항이 추가된 목적함수는 다음과 같습니다.

Lasso:
\\[\\min \\left( SSE + \\lambda \\sum_{j=1}^{p} |\\beta_j| \\right)\\]

Ridge:
\\[\\min \\left( SSE + \\lambda \\sum_{j=1}^{p} \\beta_j^2 \\right)\\]

여기서 \\(\\lambda\\) 는 규제 강도를 의미합니다.

1. Lasso 회귀는 일부 회귀계수를 정확히 0으로 만들어 변수 선택 효과를 가질 수 있다.
: \\(L_1\\) 규제는 일부 계수를 정확히 0으로 수축시켜 변수 선택 효과를 가질 수 있습니다.

2. Ridge 회귀는 회귀계수를 0에 가깝게 축소하지만 일반적으로 모든 변수를 유지한다.
: \\(L_2\\) 규제는 계수를 0에 가깝게 줄이지만 완전히 0으로 만들지는 않으므로 대부분의 변수를 유지합니다.

3. 독립변수 간 상관관계가 높은 경우, Lasso는 특정 변수를 선택하고 나머지를 제외하는 경향이 있으며 Ridge는 계수를 분산시켜 함께 유지하는 경향이 있다.
: 다중공선성이 있을 때 Lasso는 하나의 변수를 선택하는 경향이 있고, Ridge는 계수를 나누어 안정적으로 유지하는 경향이 있습니다.

4. 규제 강도가 커질수록 Lasso와 Ridge 모두 모델의 분산은 증가하고 편향은 감소한다.
: 규제 강도가 커질수록 계수가 더 강하게 축소되어 모델이 단순해집니다. 이 경우 분산은 감소하고 편향은 증가하는 방향으로 변화합니다. 설명이 반대로 되어 있습니다.

정규화 기법은 분산을 줄이고 편향을 증가시키는 방향으로 작용하여 전체 일반화 오차를 낮추는 것이 목적입니다.

따라서, 정답은 ‘4. 규제 강도가 커질수록 Lasso와 Ridge 모두 모델의 분산은 증가하고 편향은 감소한다.’입니다.

1차 검수 상태 :

입력 데이터

문제 최종 검수

수정 가능 범위 확인