문제 최종 검수

선택지1

선택지2

선택지3

선택지4

정답

개념 난이도 / 선택지 난이도 / 최종 난이도

키워드

해설

비기봇 해설

정답은 3번입니다.

의사결정나무 모형은 데이터의 특성을 기반으로 의사결정을 내리는 데 사용되는 기계 학습 모델입니다. 이 모형은 주로 분류와 회귀 문제에 사용되며, 데이터의 특성을 기준으로 트리를 형성하여 예측을 수행합니다. 의사결정나무는 노드와 가지로 구성되며, 각 노드는 데이터의 특정 특성에 대한 질문을 나타내고, 가지는 그 질문에 대한 가능한 답변을 나타냅니다.

1. 반응변수가 범주형 변수인 경우, 노드가 분할될수록 노드의 순수도(purity)는 증가하는 방향으로 구성된다. 
: 범주형 반응변수에 대한 의사결정나무는 분류나무이며, 분할의 목적은 서로 다른 범주가 섞여 있는 정도를 줄여 한 노드 안의 관측치들이 가능한 한 같은 범주로 모이도록 만드는 데 있습니다. 즉, 분할이 진행될수록 불순도는 감소하고 순수도는 증가하는 방향이 되어야 합니다. 엔트로피 지수와 지니 지수도 이런 혼합 정도를 수치화한 기준이므로, 이 설명은 분류나무의 기본 원리를 올바르게 설명한 것입니다.

2. 엔트로피 지수(entropy index)와 지니 지수(Gini index)는 서로 다른 불순도 측정 기준이며, 어느 하나가 항상 우수하다고 일반화할 수는 없다. 
: 엔트로피 지수와 지니 지수는 모두 분류나무에서 노드의 불순도를 측정하는 대표적인 지표입니다. 계산 방식과 민감도에는 차이가 있지만, 공통적으로 더 순수한 분할을 선호한다는 목적을 가집니다. 실제 분석에서는 데이터 구조와 분할 상황에 따라 결과가 달라질 수 있으므로 어느 하나가 항상 절대적으로 더 좋다고 단정할 수 없습니다. 따라서 이 설명은 적절합니다.

3. 반응변수가 연속형 변수인 경우, 의사결정나무 모형은 학습 데이터에 대해 항상 예측 정확도 100%의 모형을 구축할 수 있다. 
: 연속형 반응변수에 대한 의사결정나무는 회귀나무이며, 각 말단노드의 예측값은 일반적으로 해당 노드에 속한 관측치들의 평균으로 정해집니다. 따라서 분류문제에서 사용하는 정확도 개념을 그대로 적용하는 것 자체가 적절하지 않습니다. 또한 분할을 매우 세밀하게 할 경우 학습데이터에 가깝게 적합될 수는 있지만, 항상 예측 정확도 100%의 모형을 구축할 수 있다고 일반화할 수는 없습니다. 회귀문제는 보통 평균제곱오차나 절대오차와 같은 기준으로 평가하므로, 이 설명이 가장 부적절합니다.

4. 의사결정나무는 변수 간의 상호작용을 자동으로 반영할 수 있으며, 비선형적인 결정 경계를 비교적 쉽게 표현할 수 있다. 
: 의사결정나무는 한 변수로 먼저 분할한 뒤, 그 하위 노드에서 다시 다른 변수로 분할하는 구조를 반복합니다. 이 과정에서 변수 간의 결합 효과가 자연스럽게 반영되므로, 상호작용을 별도로 명시하지 않아도 모형 구조 안에 포함될 수 있습니다. 또한 단일 직선 형태를 가정하는 모형이 아니므로 여러 번의 분할을 통해 비선형적인 결정 경계를 비교적 유연하게 표현할 수 있습니다. 따라서 이 설명은 적절합니다.

3번 선택지는 연속형 반응변수인 회귀나무에 대해 분류문제의 정확도 개념을 적용하고 있을 뿐 아니라, 항상 100% 정확도의 모형을 구축할 수 있다고 단정하고 있어 부적절합니다.

따라서, 정답은 '3. 반응변수가 연속형 변수인 경우, 의사결정나무 모형은 학습 데이터에 대해 항상 예측 정확도 100%의 모형을 구축할 수 있다.' 입니다.

1. 선택

키워드

해설

정답은 1번입니다.

의사결정나무 모형은 데이터를 분류하거나 예측하기 위해 사용되는 기법으로, 데이터를 여러 기준에 따라 반복적으로 분할하여 최적의 예측을 수행합니다. 이 과정에서 불순도를 측정하는 지표로 엔트로피 지수와 지니 지수가 사용되며, 이는 노드의 순수도를 평가하는 데 도움을 줍니다. 반응변수가 범주형일 때는 노드가 분할될수록 순수도가 증가하는 방향으로 구성되며, 연속형일 때는 회귀 분석을 통해 예측을 수행합니다. 의사결정나무는 변수 간의 상호작용을 자동으로 반영하고, 비선형적인 결정 경계를 표현할 수 있는 장점이 있습니다.

1. 반응변수가 범주형 변수인 경우, 노드가 분할될수록 노드의 순수도(purity)는 감소하는 방향으로 구성된다. 
: 의사결정나무에서 반응변수가 범주형일 경우, 노드가 분할될수록 순수도가 증가하는 방향으로 구성됩니다. 이는 각 노드가 더 동질적인 그룹으로 나뉘어지기 때문입니다. 따라서, 노드의 순수도는 감소하는 것이 아니라 증가하는 방향으로 진행됩니다.

2. 엔트로피 지수(entropy index)와 지니 지수(Gini index)는 서로 다른 불순도 측정 기준이며, 어느 하나가 항상 우수하다고 일반화할 수는 없다. 
: 엔트로피 지수와 지니 지수는 의사결정나무에서 불순도를 측정하는 두 가지 주요 지표입니다. 엔트로피는 정보 이론에 기반하여 불확실성을 측정하고, 지니 지수는 CART에서 주로 사용되며, 두 지표 모두 각기 다른 특성을 가지고 있어 어느 하나가 항상 우수하다고 일반화할 수 없습니다.

3. 반응변수가 연속형 변수인 경우, 의사결정나무 모형은 학습 데이터에 대해 예측 정확도 100%의 모형을 구축할 수 있다. 
: 반응변수가 연속형일 경우, 의사결정나무는 회귀 분석을 통해 예측을 수행합니다. 그러나 학습 데이터에 대해 예측 정확도 100%의 모형을 구축하는 것은 과대적합의 위험이 있으며, 일반적으로 테스트 데이터에 대한 일반화 성능이 떨어질 수 있습니다.

4. 의사결정나무는 변수 간의 상호작용을 자동으로 반영할 수 있으며, 비선형적인 결정 경계를 비교적 쉽게 표현할 수 있다. 
: 의사결정나무는 변수 간의 상호작용을 자동으로 반영할 수 있으며, 비선형적인 결정 경계를 비교적 쉽게 표현할 수 있습니다. 이는 의사결정나무의 구조가 다양한 변수 조합을 통해 복잡한 패턴을 학습할 수 있도록 설계되었기 때문입니다.

선지 1은 반응변수가 범주형일 때 노드의 순수도가 감소한다고 잘못 설명하고 있습니다. 실제로는 노드가 분할될수록 순수도가 증가하는 방향으로 진행됩니다. 나머지 선지들은 각각 엔트로피와 지니 지수의 차이점, 연속형 변수의 과대적합 위험, 변수 간 상호작용 반영 등 의사결정나무의 특성을 올바르게 설명하고 있습니다.
따라서, 정답은 '1. 반응변수가 범주형 변수인 경우, 노드가 분할될수록 노드의 순수도(purity)는 감소하는 방향으로 구성된다.' 입니다.

2. 선택

키워드

해설

정답은 1번입니다.

의사결정나무 모형은 데이터를 분류하거나 예측하기 위해 사용되는 기법으로, 데이터를 여러 기준에 따라 반복적으로 분할하여 최적의 분리 규칙을 찾습니다. 이 과정에서 노드의 순수도(purity)를 높이기 위해 불순도를 측정하는 지표인 엔트로피 지수와 지니 지수를 사용합니다. 엔트로피는 데이터의 불확실성을 측정하며, 지니 지수는 데이터의 이질성을 측정합니다. 두 지표 모두 노드의 순수도를 높이는 방향으로 작용하지만, 어느 하나가 항상 우수하다고 일반화할 수는 없습니다. 반응변수가 범주형일 때는 이러한 지표를 사용하여 노드를 분할하고, 연속형일 때는 회귀 분석을 통해 예측합니다. 의사결정나무는 변수 간의 상호작용을 자동으로 반영할 수 있으며, 비선형적인 결정 경계를 쉽게 표현할 수 있는 장점이 있습니다.

1. 반응변수가 범주형 변수인 경우, 노드가 분할될수록 노드의 순수도(purity)는 감소하는 방향으로 구성된다. 
: 의사결정나무에서 반응변수가 범주형일 경우, 노드가 분할될수록 노드의 순수도는 증가하는 방향으로 구성됩니다. 이는 불순도를 줄이기 위해 엔트로피나 지니 지수를 사용하여 데이터를 분할하기 때문입니다. 따라서, 노드의 순수도가 감소한다는 설명은 잘못된 것입니다.

2. 엔트로피 지수(entropy index)와 지니 지수(Gini index)는 서로 다른 불순도 측정 기준이며, 어느 하나가 항상 우수하다고 일반화할 수는 없다. 
: 엔트로피 지수와 지니 지수는 의사결정나무에서 불순도를 측정하는 두 가지 주요 지표입니다. 엔트로피는 정보의 불확실성을, 지니 지수는 데이터의 이질성을 측정합니다. 두 지표 모두 노드의 순수도를 높이는 데 사용되며, 특정 상황에서 어느 하나가 더 우수하다고 일반화할 수 없습니다.

3. 반응변수가 연속형 변수인 경우, 의사결정나무 모형은 학습 데이터에 대해 예측 정확도 100%의 모형을 구축할 수 있다. 
: 반응변수가 연속형 변수인 경우, 의사결정나무는 회귀 분석을 통해 예측을 수행합니다. 그러나 학습 데이터에 대해 예측 정확도 100%의 모형을 구축하는 것은 과대적합(overfitting)의 위험이 있으며, 일반적으로 테스트 데이터에 대한 일반화 성능이 떨어질 수 있습니다.

4. 의사결정나무는 변수 간의 상호작용을 자동으로 반영할 수 있으며, 비선형적인 결정 경계를 비교적 쉽게 표현할 수 있다. 
: 의사결정나무는 변수 간의 상호작용을 자동으로 반영할 수 있으며, 비선형적인 결정 경계를 쉽게 표현할 수 있습니다. 이는 의사결정나무의 큰 장점 중 하나로, 복잡한 데이터 구조를 효과적으로 모델링할 수 있습니다.

선지 1은 노드의 순수도가 감소한다고 잘못 설명하고 있습니다. 실제로는 노드가 분할될수록 순수도가 증가하는 방향으로 구성됩니다. 선지 2는 엔트로피 지수와 지니 지수의 차이를 올바르게 설명하고 있으며, 선지 3은 과대적합의 위험성을 간과하고 있습니다. 선지 4는 의사결정나무의 장점을 잘 설명하고 있습니다.
따라서, 정답은 '1. 반응변수가 범주형 변수인 경우, 노드가 분할될수록 노드의 순수도(purity)는 감소하는 방향으로 구성된다.' 입니다.

3. 선택

키워드

해설

정답은 1번입니다.

의사결정나무 모형은 데이터의 특성을 기반으로 의사결정을 내리는 데 사용되는 기계 학습 모델입니다. 이 모델은 주로 분류와 회귀 문제에 사용되며, 데이터의 특성을 기준으로 트리를 형성하여 예측을 수행합니다. 의사결정나무는 노드와 가지로 구성되며, 각 노드는 데이터의 특정 속성을 기준으로 분할됩니다. 이 과정에서 불순도 지표인 엔트로피 지수와 지니 지수가 사용됩니다. 또한, 의사결정나무는 변수 간의 상호작용을 반영하고 비선형적인 결정 경계를 표현할 수 있는 장점이 있습니다.

1. 반응변수가 범주형 변수인 경우, 노드가 분할될수록 노드의 순수도(purity)는 감소하는 방향으로 구성된다.
: 반응변수가 범주형 변수일 때, 노드가 분할될수록 노드의 순수도는 증가하는 방향으로 구성됩니다. 즉, 각 노드가 더 동질적인 그룹으로 나뉘어지도록 하는 것이 목표입니다.

2. 엔트로피 지수(entropy index)와 지니 지수(Gini index)는 서로 다른 불순도 측정 기준이며, 어느 하나가 항상 우수하다고 일반화할 수는 없다.
: 엔트로피 지수와 지니 지수는 모두 불순도를 측정하는 지표로, 각각의 장단점이 있어 어느 하나가 항상 우수하다고 할 수 없습니다. 상황에 따라 적절한 지표를 선택하여 사용합니다.

3. 반응변수가 연속형 변수인 경우, 의사결정나무 모형은 학습 데이터에 대해 예측 정확도 100%의 모형을 구축할 수 있다.
: 반응변수가 연속형 변수인 경우, 의사결정나무는 과적합(overfitting) 문제로 인해 학습 데이터에 대해 예측 정확도 100%의 모형을 구축할 수 있지만, 이는 일반화 성능이 떨어질 수 있습니다.

4. 의사결정나무는 변수 간의 상호작용을 자동으로 반영할 수 있으며, 비선형적인 결정 경계를 비교적 쉽게 표현할 수 있다.
: 의사결정나무는 변수 간의 상호작용을 자동으로 반영할 수 있으며, 비선형적인 결정 경계를 쉽게 표현할 수 있는 장점이 있습니다. 이는 의사결정나무의 주요 장점 중 하나입니다.

선지 1은 반응변수가 범주형 변수일 때 노드의 순수도가 감소한다고 잘못 설명하고 있습니다. 실제로는 노드가 분할될수록 순수도가 증가하는 방향으로 구성됩니다. 다른 선지들은 의사결정나무의 특성과 장점을 올바르게 설명하고 있습니다.

따라서, 정답은 '1. 반응변수가 범주형 변수인 경우, 노드가 분할될수록 노드의 순수도(purity)는 감소하는 방향으로 구성된다.' 입니다.

4. 선택

키워드

해설

정답은 3번입니다.

의사결정나무 모형은 데이터의 특성을 기반으로 의사결정을 내리는 데 사용되는 기계 학습 모델입니다. 이 모형은 주로 분류와 회귀 문제에 사용되며, 데이터의 특성을 기준으로 트리를 형성하여 예측을 수행합니다. 의사결정나무는 노드와 가지로 구성되며, 각 노드는 데이터의 특정 특성에 대한 질문을 나타내고, 가지는 그 질문에 대한 가능한 답변을 나타냅니다. 이 모형은 직관적이고 해석이 용이하다는 장점이 있지만, 과적합(overfitting)의 위험이 있습니다.

1. 반응변수가 범주형 변수인 경우, 노드가 분할될수록 노드의 순수도(purity)는 감소하는 방향으로 구성된다.
: 반응변수가 범주형 변수일 때, 노드가 분할될수록 노드의 순수도는 증가하는 방향으로 구성됩니다. 순수도는 노드 내 데이터가 얼마나 동일한지를 나타내며, 분할을 통해 순수도가 증가하는 것이 목표입니다.

2. 엔트로피 지수(entropy index)와 지니 지수(Gini index)는 서로 다른 불순도 측정 기준이며, 어느 하나가 항상 우수하다고 일반화할 수는 없다.
: 엔트로피 지수와 지니 지수는 모두 불순도를 측정하는 방법으로, 각각의 장단점이 있어 특정 상황에서 하나가 더 적합할 수 있지만, 일반적으로 어느 하나가 항상 우수하다고 할 수는 없습니다.

3. 반응변수가 연속형 변수인 경우, 의사결정나무 모형은 학습 데이터에 대해 예측 정확도 100%의 모형을 구축할 수 있다.
: 반응변수가 연속형 변수인 경우, 의사결정나무는 학습 데이터에 대해 과적합하여 예측 정확도 100%를 달성할 수 있지만, 이는 일반화 성능이 떨어질 수 있음을 의미합니다. 따라서 일반적으로 예측 정확도 100%의 모형은 바람직하지 않습니다.

4. 의사결정나무는 변수 간의 상호작용을 자동으로 반영할 수 있으며, 비선형적인 결정 경계를 비교적 쉽게 표현할 수 있다.
: 의사결정나무는 변수 간의 상호작용을 자동으로 반영할 수 있으며, 비선형적인 결정 경계를 표현할 수 있는 능력이 있습니다. 이는 의사결정나무의 큰 장점 중 하나입니다.

선지 3은 반응변수가 연속형 변수일 때 의사결정나무가 학습 데이터에 대해 예측 정확도 100%의 모형을 구축할 수 있다고 설명하고 있습니다. 이는 과적합의 위험을 내포하고 있으며, 일반적으로 바람직하지 않습니다. 다른 선지들은 의사결정나무의 특성을 올바르게 설명하고 있습니다.

따라서, 정답은 '3. 반응변수가 연속형 변수인 경우, 의사결정나무 모형은 학습 데이터에 대해 예측 정확도 100%의 모형을 구축할 수 있다.' 입니다.

입력 데이터

수정 가능 범위 확인