분류 전체보기 (137) 썸네일형 리스트형 App.js 파일 구조 완전 쉽게 설명하기 초보 개발자가 App.js 파일을 처음 마주했을 때 "이게 대체 뭘 의미하지?" 하는 마음이 들기 쉽지. 그래서 최대한 쉽게, 한 줄 한 줄 의미를 설명해줄게! React 프로젝트를 만들고 열어보면 src 폴더 안에 App.js 라는 파일이 있어요. 이건 우리가 만든 앱의 시작점, 즉 메인 화면을 그리는 곳이에요!한 번 기본 코드를 예시로 볼게요. import React from 'react';import './App.css';function App() { return ( Hello, React! This is my first React app. );}export default App; 🔍 하나씩 설명해볼게요!1. import React from 'react';👉.. 리액트(React) 프로젝트 시작하기 ✨ 리액트 프로젝트 시작하기 (완전 초보자용 가이드)프론트엔드 개발을 배우고 싶다면, React는 정말 좋은 출발점입니다. 이 글에서는 처음 개발을 시작하는 분들도 쉽게 따라할 수 있도록, 리액트 프로젝트를 만드는 아주 기초적인 과정을 하나씩 설명드릴게요. 🚀1. Node.js 설치React는 Node.js 위에서 돌아가기 때문에, 가장 먼저 해야 할 일은 Node.js를 설치하는 것입니다.👉 Node.js 공식 사이트에 접속해서 LTS(Long Term Support) 버전을 다운로드하고 설치해 주세요.설치가 완료되면, 터미널(명령 프롬프트, 혹은 VSCode의 터미널)에서 아래 명령어로 제대로 설치되었는지 확인할 수 있어요:node -vnpm -v이렇게 하면 각각의 버전이 숫자로 뜨면 성공입니다!.. Feature Importance vs SHAP Feature Importance와 SHAP 값은 모두 모델에서 각 특성(feature)의 중요성을 평가하는 방법이지만, 중요한 차이점이 있어!🔍 Feature Importance정의: 모델이 학습하면서 각 피처가 예측에 얼마나 중요한지의 순위를 나타냄.주요 목적: 피처의 전체적인 중요성을 평가.계산 방법: 주로 트리 기반 모델에서 피처가 분할에 기여한 정도를 기반으로 계산됨. 예를 들어, 트리 분할을 잘하게 만든 피처는 높은 중요도를 가짐.Gini Impurity 감소량 (XGBoost, LightGBM)Information Gain (CART)Permutation Feature Importance (모델 예측 성능에 미치는 영향을 피처별로 평가)일반적인 계산 방법:출력 형태: 각 피처가 예측에 기여.. Force Plot(SHAP 설명) SHAP 결과를 해석하는 방법과 대표적인 시각화인 Force Plot 예시를 알려줄게.이건 XGBoost나 LightGBM, RandomForest 같은 모델에 SHAP을 적용했을 때 예측이 어떻게 나왔는지를 설명해주는 대표적인 도구야.📌 SHAP Force Plot 이란?개별 데이터 포인트(샘플)에 대해 "왜 이 예측값이 나왔는지" 시각적으로 설명해줌.기준선 (base value):→ 전체 데이터에서 평균적인 예측값 (예: 전체 평균 확률 0.5)화살표(밴드):→ 각 피처가 예측값을 얼마나 끌어올렸는지(+) or 낮췄는지(-) 를 보여줌왼쪽은 마이너스 영향(파란색), 오른쪽은 플러스 영향(빨간색)→ 시각적으로 직관적!🖼️ Force Plot 예시import shapimport xgboost as x.. shap조합 🔍 SHAP이란?SHAP (SHapley Additive exPlanations)→ 복잡한 모델의 예측을 개별 피처(변수)가 얼마나 영향을 미쳤는지를 설명해주는 해석 가능한 AI 도구야.수학적으로는 게임이론의 Shapley 값을 기반으로 해서,"이 피처가 모델의 최종 예측에 얼마나 기여했나?"를 공정하게 나눠서 계산해줘.🧠 왜 SHAP + XGBoost 조합이 좋을까?XGBoost나 LightGBM 같은 Boosting 모델은 기본적으로 블랙박스 모델이라,단순히 결과만 보면 "왜 이런 예측이 나왔는지" 알기 어려움 😵하지만 SHAP을 함께 쓰면:어떤 피처가 예측에 긍정적으로 작용했는지,어떤 피처가 예측값을 낮췄는지→ 직관적 그래프로 시각화 가능!📊 예시 그래프Summary Plot:전체 피처 중 .. 트리 모델 하이퍼 파라미터 튜닝 아래는 XGBoost, LightGBM, CatBoost 각각에 대해 코랩에서 튜닝하기 좋은 핵심 하이퍼파라미터 + 튜닝 팁이야.🔧 공통 튜닝 전략✅ 먼저 베이스 모델을 만든 후, 점진적으로 튜닝✅ 학습/검증 데이터 나눔, 또는 cross_val_score, GridSearchCV, Optuna, Bayesian Optimization 활용✅ 너무 많은 트리부터 시작하지 말고, 조기 종료(Early stopping) 도입해서 오버핏 방지✅ learning_rate는 작게, n_estimators는 크게 → 조기 종료로 알아서 잘 멈춤 1️⃣ XGBoost 튜닝 팁 (Colab 기준)from xgboost import XGBClassifierxgb = XGBClassifier( n_estimator.. 트리 기반 앙상블 모델 4종 비교(RandomForest, XGBoost, LightGBM, CatBoost) 좋아! RandomForest, XGBoost, LightGBM과 CatBoost까지 포함해서 트리 기반 앙상블 모델 4종 비교를 깔끔하게 정리해볼게. Boosting 계열의 대표 주자들을 비교하는 건 실제 실무에서 매우 유용하니까!✅ 트리 기반 앙상블 모델 4종 비교항목RandomForestXGBoostLightGBMCatBoost앙상블 방식BaggingBoostingBoostingBoosting트리 구성전체 데이터에서 병렬로 여러 트리 생성이전 트리의 오류를 보완하며 순차적으로 트리 생성Gradient 기반 순차 트리 생성 + 리프 중심 성장Gradient 기반 순차 트리 생성 + 카테고리 처리 강화학습 속도빠름중간매우 빠름 (Histogram 기반)중간 (속도 개선됨)예측 성능중간~좋음좋음~최상좋음.. RandomForest와 XGBoost 좋아! RandomForest와 XGBoost는 둘 다 앙상블 학습 기법 중 하나인 트리 기반 모델이지만, 내부 동작 방식과 사용 시 적합한 상황에 차이가 있어. 아래에 알기 쉽게 정리해줄게!✅ 핵심 개념 요약구분RandomForestXGBoost기본 원리여러 개의 결정 트리를 병렬로 학습해서 평균 또는 투표여러 개의 결정 트리를 순차적으로 학습하면서 오류 보완학습 방식Bagging 방식Boosting 방식과적합 방지무작위 샘플링, 무작위 피처 선택정규화, 가지치기, learning rate 등 다양한 제어 기법속도상대적으로 빠름상대적으로 느릴 수 있음 (하지만 GPU 지원 가능)하이퍼파라미터 수적음 (간단)많음 (세부 튜닝 필요)해석력상대적으로 쉬움상대적으로 복잡🌲 RandomForest를 사용하는 .. 이전 1 2 3 4 ··· 18 다음