24. 다음 중 머신러닝에서 훈련 데이터의 클래스가 불균형한 문제를 처리하는 방법에 대해 잘못 설명한 것은?
- 1과소 표집(Under-Sampling)은 많은 클래스 데이터 일부만 선택하는 기법으로 정보가 유실되는 단점이 있다..
- 2과대 표집(Over-Sampling)은 소수 데이터를 복제해서 많은 클래스의 양만큼 증가시키는 방법이 있다.
- 3불균형 문제를 처리하지 않으면 정확도(Accuracy)는 낮아지고, 작은 클래스의 재현율(Recall)은 높아진다.
- 4클래스가 불균형한 훈련 데이터를 그대로 이용할 경우 과대적합 문제가 발생할 수 있다.
위키 해설
위키해설을 등록해주세요!
📝 문제 해설(등록자)
클릭하면 보입니다.
🤖 AI 문제 해설
AI의 해설은 정확하지 않을 수 있습니다. 두 가지 모델의 답변을 제공해드리오니, 꼭 교차 검증 하시고 해설을 평가해주세요. 둘 다 적절치 않은 경우 모두 비추천을 클릭해주세요!
클릭하면 보입니다.