빅데이터 분석기사 필기 : 빅데이터 모델링 (3과목) 문제은행

1 ① 완전히 새로운 데이터셋에 처음부터 모델을 학습하는 방법이다. 2 ② 대용량 데이터로 학습된 사전훈련 모델의 가중치를 새 과제에 재활용해 적은 데이터로도 좋은 성능을 내는 기법이다. 3 ③ 여러 모델의 예측을 결합하는 앙상블 기법이다. 4 ④ 레이블 없이 데이터에서 패턴을 학습하는 비지도 기법이다.

1 ① p: 이동평균 차수, d: 자기회귀 차수, q: 차분 횟수 2 ② p: 자기회귀 차수(AR), d: 차분 횟수, q: 이동평균 차수(MA) 3 ③ p: 계절 주기, d: 트렌드 차수, q: 잔차 차수 4 ④ p와 q는 동일한 의미이며 d만 차분 횟수다.

1 ① 모델이 트리 구조로 직관적으로 해석 가능하다. 2 ② 데이터 정규화나 표준화가 필요 없다. 3 ③ 범주형과 연속형 변수를 모두 자연스럽게 처리한다. 4 ④ 훈련 데이터가 적어도 항상 과적합 없이 안정적인 성능을 낸다.

1 ① 벡터의 크기(길이)가 같아야만 사용 가능하다. 2 ② 두 벡터의 방향이 얼마나 유사한지를 측정해 문서 길이의 영향을 받지 않고 내용의 유사성을 비교할 수 있다. 3 ③ 유클리드 거리보다 계산이 복잡하다. 4 ④ 음수 값은 나타나지 않아 해석이 편리하다.

1 ① 예측 단위와 다른 단위를 가져 해석이 어렵다. 2 ② 실제값이 0이거나 매우 작을 때 분모가 0에 가까워져 값이 왜곡되거나 정의되지 않는다. 3 ③ 이상값에 민감하지 않아 신뢰성이 낮다. 4 ④ 절댓값을 사용하지 않아 양·음 오차가 상쇄된다.

1 ① 훈련 데이터의 손실 값만으로 판단한다. 2 ② 훈련 성능과 검증(Validation) 성능 간 격차가 크면 과적합으로 판단한다. 3 ③ 모델 파라미터 수가 많을수록 무조건 과적합이다. 4 ④ 학습률(Learning Rate)이 낮으면 과적합이 발생한다.

1 ① 단순 무작위 홀드아웃 (60:20:20, 층화 없음) 2 ② 층화 홀드아웃 (60:20:20, 이탈 여부 기준 층화) 3 ③ 테스트 세트 없이 훈련 세트로만 모델을 평가한다. 4 ④ 데이터 전체를 훈련에 사용하고 이탈 여부와 무관하게 분할한다.

1 ① 항상 시그모이드를 사용해야 한다. 2 ② 문제 유형에 따라 이진분류=시그모이드, 다중분류=소프트맥스, 회귀=선형(항등함수)을 사용한다. 3 ③ 은닉층과 출력층은 반드시 같은 활성화 함수를 사용해야 한다. 4 ④ 출력층 활성화 함수는 성능에 영향을 주지 않는다.

1 ① 모든 계수가 0에 가깝게 수축되지만 변수 선택은 이루어지지 않는다. 2 ② 불필요한 변수의 계수를 정확히 0으로 만들어 변수 선택과 모델 단순화 효과가 있다. 3 ③ 학습 속도가 정규화 없는 경우보다 항상 빠르다. 4 ④ 과소적합을 방지하기 위한 기법이다.

1 ① 잔차의 합(Σe) 2 ② 잔차 절댓값의 합(Σ|e|) 3 ③ 잔차 제곱합(SSE = Σe²) 4 ④ 잔차 최댓값