내 퀴즈
학습
탐색
로그인
회원가입
QUIZ · 문제 풀이
빅데이터 분석기사 필기 : 빅데이터 모델링 (3과목) 문제은행
자격증
·
총 10문제
·
낱말카드
←
세트로
1 / 10문제
0:00
Q1.
SVM에서 선형 분리가 불가능한 데이터를 처리하기 위해 사용하는 방법으로 옳은 것은?
1
① 데이터를 삭제해 선형 분리 가능하게 만든다.
2
② 슬랙 변수(Slack Variable)를 도입한 소프트 마진 SVM과 커널 트릭을 사용한다.
3
③ 의사결정나무로 전환한다.
4
④ 회귀 모델로 변환한다.
정답 처리
(₩)
복습 큐
💡 해설
소프트 마진 SVM은 슬랙 변수 ξ를 도입해 일부 오분류를 허용하고, 커널 트릭(RBF, Polynomial 등)은 데이터를 고차원 공간으로 암묵적으로 매핑해 비선형 경계를 학습한다.
🤔
정답 확인
(Enter)
다음 문제
→
(Tab)
Q2.
연관규칙에서 '향상도(Lift)'가 1보다 클 때의 의미는?
1
① A와 B의 구매가 서로 독립적이다.
2
② A 구매가 B 구매에 음적 영향을 미친다.
3
③ A와 B의 동시 구매 빈도가 독립 가정 시 기대값보다 높아 양적 연관이 있다.
4
④ 어떤 상황에서도 규칙이 유효하지 않다.
정답 처리
(₩)
복습 큐
💡 해설
향상도 = Confidence(A→B)/Support(B). 향상도>1: A 구매 시 B 구매 가능성이 전체 평균보다 높음(양적 연관). =1: 독립. <1: 음적 연관(A 구매 시 B 구매 ↓).
🤔
정답 확인
(Enter)
다음 문제
→
(Tab)
Q3.
딥러닝 모델 해석을 위한 SHAP(SHapley Additive exPlanations)의 특징으로 옳은 것은?
1
① SHAP은 딥러닝 모델에만 적용 가능하다.
2
② 게임 이론의 샤플리 값을 이용해 각 특성이 예측에 기여한 정도를 공정하게 분배한다.
3
③ 경사 소실 문제를 해결하는 최적화 기법이다.
4
④ SHAP 값은 항상 양수다.
정답 처리
(₩)
복습 큐
💡 해설
SHAP은 게임 이론의 샤플리 값을 기반으로 각 특성의 기여도를 계산한다. 블랙박스 모델(XGBoost·딥러닝 등)뿐 아니라 모든 모델에 적용 가능하며, 글로벌·로컬 설명을 모두 제공한다. 기여도는 양수(예측 증가)·음수(예측 감소) 모두 가능하다.
🤔
정답 확인
(Enter)
다음 문제
→
(Tab)
Q4.
TF-IDF(Term Frequency - Inverse Document Frequency)에서 IDF가 높을수록 의미하는 것은?
1
① 해당 단어가 모든 문서에 자주 등장해 중요도가 낮다.
2
② 해당 단어가 소수의 문서에만 등장해 문서 구별력이 높다.
3
③ 해당 단어가 한 문서 내에서 많이 등장한다.
4
④ 불용어(Stopword)로 제거할 가능성이 높다.
정답 처리
(₩)
복습 큐
💡 해설
IDF = log(전체 문서 수/해당 단어를 포함하는 문서 수). 특정 문서에만 나타나는 단어일수록 IDF가 높아 그 문서의 특성을 잘 구별한다. '이다', '있다' 같은 불용어는 모든 문서에 나타나 IDF가 낮다.
🤔
정답 확인
(Enter)
다음 문제
→
(Tab)
Q5.
실시간 스트리밍 데이터 분석에 가장 적합한 도구는?
1
① Hadoop MapReduce
2
② Apache Kafka + Apache Flink
3
③ SPSS Modeler
4
④ R Markdown
정답 처리
(₩)
복습 큐
💡 해설
Apache Kafka는 고처리량 메시지 스트리밍 플랫폼, Apache Flink는 저지연 스트림 처리 엔진으로 실시간 이벤트 분석에 최적화되어 있다. Hadoop MapReduce는 배치 처리, SPSS·R Markdown은 통계 분석·보고서 용도다.
🤔
정답 확인
(Enter)
다음 문제
→
(Tab)
Q6.
ROC 곡선의 X축과 Y축으로 옳은 것은?
1
① X: 정밀도, Y: 재현율
2
② X: 거짓양성률(FPR), Y: 참양성률(TPR=재현율)
3
③ X: 재현율, Y: 정밀도
4
④ X: 특이도, Y: 정밀도
정답 처리
(₩)
복습 큐
💡 해설
ROC(Receiver Operating Characteristic) 곡선은 X축에 FPR(=1-특이도=FP/(FP+TN)), Y축에 TPR(=재현율=TP/(TP+FN))을 표시한다. AUC는 ROC 곡선 아래 면적으로 모델 판별력을 나타낸다.
🤔
정답 확인
(Enter)
다음 문제
→
(Tab)
Q7.
훈련 세트·검증 세트·테스트 세트의 역할을 올바르게 설명한 것은?
1
① 훈련 세트: 최종 성능 측정, 검증 세트: 모델 학습, 테스트 세트: 튜닝
2
② 훈련 세트: 모델 파라미터 학습, 검증 세트: 하이퍼파라미터 튜닝, 테스트 세트: 최종 성능 측정
3
③ 훈련과 검증 세트의 역할은 동일하며, 테스트 세트만 달리 사용된다.
4
④ 세 세트 모두 학습에 사용되며 단지 크기만 다르다.
정답 처리
(₩)
복습 큐
💡 해설
표준 분할 목적: 훈련 세트(모델 파라미터 최적화) → 검증 세트(하이퍼파라미터 탐색 및 조기 종료 기준) → 테스트 세트(일반화 성능의 불편 추정). 테스트 세트는 최종 보고 전까지 절대 노출하지 않는다.
🤔
정답 확인
(Enter)
다음 문제
→
(Tab)
Q8.
MLflow를 사용하는 주된 이유로 옳은 것은?
1
① 대용량 데이터를 분산 처리하기 위한 클러스터 관리 도구다.
2
② 실험 추적(Tracking), 모델 패키징, 레지스트리 관리 등 ML 수명주기를 관리하는 플랫폼이다.
3
③ SQL 쿼리 최적화를 자동으로 수행하는 데이터베이스 도구다.
4
④ 웹 서비스를 위한 API 게이트웨이 솔루션이다.
정답 처리
(₩)
복습 큐
💡 해설
MLflow는 실험 파라미터·지표·아티팩트 추적(MLflow Tracking), 모델 패키징(MLflow Projects), 모델 저장·버전 관리(MLflow Model Registry), 서빙(MLflow Models)을 제공하는 오픈소스 ML 수명주기 관리 플랫폼이다.
🤔
정답 확인
(Enter)
다음 문제
→
(Tab)
Q9.
AdaBoost에서 분류 오류가 큰 기초 학습기(Weak Learner)에 대해 취하는 조치로 옳은 것은?
1
① 해당 학습기의 앙상블 가중치를 높인다.
2
② 해당 학습기의 앙상블 가중치를 낮추어 최종 결합에서 영향을 줄인다.
3
③ 해당 학습기로 분류된 샘플을 제거한다.
4
④ 해당 학습기의 학습률을 높인다.
정답 처리
(₩)
복습 큐
💡 해설
AdaBoost에서 기초 학습기 m의 가중치 αm = 0.5·log((1-err)/err). 오류율이 높을수록 αm이 작아지고 최종 결합에서 영향력이 줄어든다. 반대로 오분류된 샘플의 학습 가중치는 올려 다음 학습기가 집중하게 한다.
🤔
정답 확인
(Enter)
다음 문제
→
(Tab)
Q10.
ACF(자기상관함수)와 PACF(편자기상관함수)를 이용해 ARIMA 차수를 결정하는 방법으로 옳은 것은?
1
① ACF는 AR 차수, PACF는 MA 차수 결정에 활용한다.
2
② PACF가 p 시차에서 절단(cut-off)되면 AR(p), ACF가 q 시차에서 절단되면 MA(q)로 식별한다.
3
③ ACF와 PACF 모두 절단점이 없으면 ARIMA(0,0,0)이다.
4
④ ACF만으로 모든 ARIMA 차수를 결정할 수 있다.
정답 처리
(₩)
복습 큐
💡 해설
AR(p) 식별: PACF가 p 시차 이후 급격히 0으로 수렴(절단), ACF는 지수적 감소. MA(q) 식별: ACF가 q 시차 이후 절단, PACF는 지수적 감소. 혼합 ARMA는 ACF·PACF 모두 점진 감소.
🤔
정답 확인
(Enter)
채점 및 종료
🏁
(Tab)
홈
학습
라이브러리
프로필
전체 메뉴
✕
학습
홈
탐색
공식자료
회원가입
로그인
