rfe3 [scikit-learn] RFE vs RFECV, 재귀적 특성 제거 방법 비교 목차1. 서론2. RFE 개념 및 사용법3. RFECV 개념 및 사용법4. 실전 예제 비교5. 결론1. 서론머신러닝 모델의 성능을 높이기 위해서는 적절한 특성 선택이 필수입니다. 특히 특성이 너무 많으면 과적합 위험이 커지고 학습 시간도 늘어나기 때문에, 핵심적인 피처만 선택하는 것이 중요합니다. 그중에서도 RFE와 RFECV는 재귀적으로 피처를 제거하며 최적의 조합을 찾아주는 방법으로 널리 사용됩니다.이번 글에서는 Recursive Feature Elimination (RFE)와 RFECV의 개념과 차이점, 사용법을 실제 예제와 함께 비교해보겠습니다.2. RFE 개념 및 사용법RFE (Recursive Feature Elimination)는 전체 특성에서 시작해, 가장 중요도가 낮은 특성을 하나씩 제거.. 2025. 5. 5. [scikit-learn] 특성 선택 기법 비교: VarianceThreshold, SelectKBest, RFE, SelectFromModel 목차1. 서론2. 주요 기법 소개2-1. VarianceThreshold2-2. SelectKBest2-3. RFE (Recursive Feature Elimination)2-4. SelectFromModel3. 결론1. 서론머신러닝 모델의 성능을 높이고, 해석 가능성을 높이며, 과적합을 방지하기 위해 꼭 필요한 과정이 바로 특성 선택(Feature Selection)입니다. 특성 선택은 모델에 불필요한 피처를 제거함으로써 학습 속도를 높이고, 모델을 단순화하며 예측 성능 향상에도 기여할 수 있습니다.이번 글에서는 scikit-learn에서 제공하는 대표적인 특성 선택 기법 4가지를 비교합니다. VarianceThreshold, SelectKBest, RFE, SelectFromModel 각각의 동작 원.. 2025. 4. 24. [scikit-learn] 모델 성능을 높이는 전처리 핵심 - 특성 선택(Feature Selection) 목차1. 서론2. 주요 함수 소개2-1. VarianceThreshold2-2. SelectKBest2-3. mutual_info_classif2-4. RFE (Recursive Feature Elimination)2-5. SelectFromModel3. 결론1. 서론머신러닝 모델의 성능은 좋은 알고리즘뿐 아니라, 올바른 입력 특성(feature)을 선택하는 데 달려 있습니다. 너무 많은 피처는 과적합을 유발하고, 불필요한 피처는 노이즈로 작용하여 성능을 저하시킵니다. 이번 글에서는 scikit-learn에서 제공하는 특성 선택(Feature Selection) 도구들을 정리하고, 실전 예제와 함께 사용하는 법을 소개합니다.특성 선택은 모델 학습 전에 사전 처리로 수행하거나, 모델 기반 방식으로 학습 결.. 2025. 4. 18. 이전 1 다음