2026 ADsP 필기 3과목 3장 1~2절 | 분류분석·로지스틱·나무·앙상블 — 객관식 10문제

정답 ③

로지스틱 회귀는 선형 예측자를 로지스틱 함수에 연결해 확률을 모델링합니다. logit(p)=log(p/(1-p))이고 계수β의 지수 exp(β)는 다른 변수 고정 시 오즈비로 해석합니다. 확률비와 오즈비는 다릅니다. 확률을 0.5로 자르는 것은 선택 가능한 정책이지 모형의 필수 조건은 아닙니다. 오탐·미탐 비용과 클래스 비율에 따라 임계값을 검증 자료에서 정합니다.

정답 ②

오즈=p/(1-p)=0.8/0.2=4입니다.

정답 ①

나무는 분할 조건을 반복하여 영역을 나누고 예측합니다. 분류에서는 지니 불순도·엔트로피 같은 기준을 사용할 수 있습니다. 깊이가 커지면 학습 자료를 잘 맞추지만 과적합 위험이 늘 수 있어 가지치기·깊이 제한 등을 검토합니다. 나무는 규칙을 설명하기 쉬운 편이지만 데이터의 작은 변화에 구조가 바뀔 수 있습니다. 개별 나무와 여러 나무를 결합한 앙상블의 특성을 구분하세요.

정답 ②

1-(0.5²+0.5²)=0.5입니다.

정답 ③

KNN은 가까운 이웃의 목표를 사용해 예측합니다. k가 너무 작으면 잡음에 민감하고 크면 국소 패턴을 놓칠 수 있습니다. 거리와 변수 스케일, 범주 인코딩, 차원의 저주를 고려해야 합니다. 학습 단계가 간단해도 예측 시 거리 계산 비용이 클 수 있습니다. 최적 k는 검증으로 정하며 시험자료를 반복해서 보며 고르지 않습니다.

정답 ③

세 이웃 중 A가 두 명으로 다수이므로 A를 예측합니다.

정답 ①

배깅은 부트스트랩 자료에 여러 모형을 적합해 결합합니다. 랜덤포레스트는 나무의 각 분할에서 일부 변수 후보를 무작위로 선택하여 나무 간 상관을 줄이는 전략을 더합니다. 주로 분산 감소와 안정성 개선을 기대합니다. 나무 수를 늘리는 것만으로 모든 편향·누수가 해결되지는 않습니다. 변수 중요도는 정의와 편향을 확인하고, 중요도가 높다고 원인이라고 단정하지 않습니다.

정답 ④

재표집한 자료에 적합한 여러 모형을 결합하는 배깅의 기본 방식입니다.

정답 ①

부스팅은 모형을 순차적으로 추가하며 이전의 오류나 손실을 개선합니다. 학습률·나무 수·깊이·정규화·조기 종료가 복잡도에 영향을 줍니다. 대표 방법마다 세부 학습 규칙은 다르므로 하나의 구현 규칙을 전부에 적용하지 않습니다. 강력한 모델도 전처리 누수와 잘못된 평가를 해결해 주지 않습니다. 같은 분할·같은 지표에서 단순 기준모형과 비교하고, 하이퍼파라미터 선택은 검증 자료로 수행합니다.

정답 ①

학습 자료에만 더 맞추면서 검증 성능이 나빠지는 과적합의 전형적 신호입니다.