데이터 낚시꾼

요약 평균 예측에 머무르지 않고, 데이터 분포의 다양한 위치를 포착하는 분위수 예측(Quantile Regression) 필요핀볼 로스: 특히 이상치에 강건하고, 리스크와 불확실성의 정량화에 용이핀볼 로스 및 분위수 회귀분석을 통해 예측값의 신뢰 구간을 추정하거나 리스크 중심 모델링 설계 가능 분위수 회귀(Quantile Regression): 주어진 $X$에 대해 조건부 분위수 $q_\tau(Y|X)$ 를 예측예: $\tau = 0.1$이면 10% 분위수 → 하위 10% 경계 예측, $\tau = 0.5$이면 중위수 (median) 등OLS(Ordinary Least Squares) 회귀와 비교 시 분위수 회귀의 장점: 비대칭 분포에 유연, 예측 불확실성 구간 도출 가능손실 함수(Loss funct..

요약 고차원 데이터는 차원의 저주(Curse of Dimensionality)로 인해 데이터 간 거리가 멀어지고 희소해짐거리 기반 알고리즘(KNN 등)은 고차원에서 거리의 의미가 사라지며 성능이 급감함 (거리 집중 현상)모델 복잡도가 증가하고 과적합 위험이 커져 일반화 성능 저하고차원 데이터도 종종 저차원 구조(다양체)를 가짐 → 이를 활용한 차원 축소가 핵심PCA, AutoEncoder를 통해 유의미한 저차원 표현으로 압축 가능CNN은 이미지 데이터의 구조적 특성을 활용하여 사실상 차원 축소 효과Dropout, 정규화(L1/L2) 등은 과적합 방지에 효과적Random Forest처럼 서로 다른 feature subset을 사용하는 앙상블도 효과적KNN+PCA 조합은 고차원에서도 KNN 성능을 유지하거나..