빅데이터분석기사 필기 이론 학습 | 모두의 문제집

판단 기준

방식	보존하는 구조	적합한 상황	핵심 주의점
일반 k-겹	교환 가능한 독립 관측	독립 표본의 회귀·균형 분류	정렬된 데이터를 그대로 나누지 않도록 분할 규칙 확인
층화 k-겹	폴드별 클래스 비율	희소 클래스 분류	그룹·시간 누수를 해결하지는 않음
그룹 k-겹	같은 그룹의 폴드 간 분리	고객·환자·장비 반복 측정	고유 그룹 수가 k 이상이어야 함
층화그룹 k-겹	그룹 분리와 클래스 비율	반복 측정이 있는 불균형 분류	두 제약을 동시에 만족하지 못할 수 있음
시계열 검증	훈련이 검증보다 과거	수요·가격·장애·이탈의 미래 예측	시간 간격·예측 시점·특징 가용성 확인
반복 k-겹	여러 무작위 분할	분할 민감도 확인	독립 표본 수 증가로 해석하지 않음

층화는 각 폴드의 클래스 비율을 비슷하게 만들어 지표 계산을 안정화하는 실무적 장치다. 모집단 대표성, 집단 독립성이나 시간 인과성을 보장하지 않는다. 그룹과 시간 조건이 함께 있으면 일반 그룹 k-겹과 일반 시계열 분할 중 하나만 고르는 것이 아니라, 예측 시점보다 과거의 환자만 학습하고 같은 환자가 양쪽에 겹치지 않도록 사용자 정의 분할이 필요할 수 있다.

LOOCV는 n개 관측치 중 하나씩 검증하는 n-겹 방식이다. 거의 전체 자료로 학습하지만 n번 적합해야 하고 각 검증 폴드가 한 관측치라 분류 AUC처럼 양성과 음성이 모두 필요한 지표는 폴드별로 정의되지 않는다. LOOCV가 항상 가장 정확하거나 가장 안정적인 방법은 아니다.

이 부분의 원문 →

헷갈리는 개념

구분	사용 목적	허용되는 결정	금지 사항
훈련 데이터	모형과 데이터 기반 규칙 학습	계수·분할 규칙·대치값·스케일 등 적합	검증·테스트 정보로 규칙 학습
검증 데이터	모형·하이퍼파라미터·임곗값 선택	후보 비교와 선택	선택에 쓴 점수를 최종 성능으로 단정
테스트 데이터	선택이 끝난 절차의 최종 평가	원칙적으로 마지막 1회 평가	반복 탐색·특징 선택·임곗값 조정

이 부분의 원문 →

대표 계산·예제

예측 시점과 라벨 확정 시점 사이가 겹치거나, 이동평균·누적합·라벨 관측 기간이 훈련과 검증 경계를 넘으면 경계에 간격(gap)을 둔다. 예를 들어 7일 후 결과를 예측하는데 훈련 라벨이 검증 시작일 이후에 확정된다면 그 훈련 행은 실제 예측 시점에 사용할 수 없다. “시간순으로 나눴다”는 사실만으로 누수가 자동으로 제거되지는 않는다.

이 부분의 원문 →

시험 직전 요약장

교차검증과 일반화 성능

판단 기준

헷갈리는 개념

대표 계산·예제

내 최근 연습 오답