강의 계획 레슨 250개 중 96번째 · 첫 머신러닝 모델
첫 머신러닝 모델

랜덤 포레스트: 군중의 지혜

결정 트리 하나는 이해하기 쉽지만 연약해요. 쉽게 과적합하고, 작은 데이터 변화에도 예측이 크게 흔들릴 수 있어요. 랜덤 포레스트는 단순하고 강력한 생각으로 이것을 고쳐요: 서로 다른 트리를 많이 훈련하고 투표하게 하는 거예요.

숲의 각 트리는 데이터의 조금씩 다른 무작위 표본으로 자라고, 각 분기에서 특성의 무작위 부분집합을 고려해요. 그래서 모든 트리가 조금씩 다르고 다른 실수를 해요. 그 투표를 평균내면 개별 오류는 서로 상쇄되는 경향이 있고 무작위한 별남은 씻겨 나가요. 이것이 군중의 지혜예요: 다양하고 불완전한 추측꾼 무리가 어느 한 전문가보다 나을 때가 많아요.

from sklearn.ensemble import RandomForestClassifier

forest = RandomForestClassifier(n_estimators=50, random_state=0)
forest.fit(X_train, y_train)

n_estimators는 키울 트리 수예요(여기서는 50). 트리가 많을수록 보통 조금씩, 어느 지점까지는 도움이 되지만 속도를 대가로 치러요. 늘 그렇듯, 숲의 표본 추출이 무작위라서 random_state=0이 결과를 재현되게 지켜요.

대표적인 이점: 숲은 보통 트리 하나보다 더 잘 일반화해요. 빼 둔 테스트 세트에서 더 높은 점수를 받는다는 뜻이에요. 가장 믿을 만한 기성 모델 중 하나이고, 꺼내 쓰기 좋은 기본값이에요.

같은 분할에서 평범한 결정 트리 하나와 랜덤 포레스트 하나를 훈련하고, 둘 다 테스트 세트로 채점해서, 숲이 적어도 그만큼 잘하는지 확인해요.

내 차례

데이터셋과 훈련/테스트 분할이 준비되어 있어요. 훈련 데이터로 tree = DecisionTreeClassifier(max_depth=3, random_state=0)와 forest = RandomForestClassifier(n_estimators=50, random_state=0)를 훈련하세요. 둘 다 accuracy_score로 테스트 세트에서 채점해 결과를 tree_acc와 forest_acc에 저장하세요.

이 레슨에서 문제를 발견했나요? 알려 주세요 · 이 레슨에 대해 묻기

이 연습은 곧 열려요

앞의 레슨을 마치면 이 레슨이 열려요. 강좌 전체가 무료이고 계정도 필요 없으며, 이 레슨은 지금 바로 읽을 수 있어요.