섹션별 상세
LightGBM의 분위수 회귀 모델에서 타겟 인코딩이 학습 시에는 중요도 1위를 기록했으나, 실제 테스트 셋에서는 MAPE가 0.28pp 악화되는 성능 저하가 발생했다.
이 현상은 모델이 타겟 인코딩을 통해 학습한 신호가 실제로는 관측 불가능한 변수(판매자 행동, 상품 상태 등)에 의한 노이즈였기 때문에 발생했다.
4-seed × 3-variant 어블레이션 테스트 결과, 변수 간 차이가 표준 편차의 7배에 달하는 등 일반화 실패가 명확히 확인되었다.
작성자는 이러한 타겟 인코딩 누수(leakage) 문제를 해결하기 위해 아키텍처와 어블레이션 방법론을 재설계했다.
AI 분석 전체 내용 보기
AI 요약 · 북마크 · 개인 피드 설정 — 무료
출처 · 인용 안내
원문 발행 2026. 06. 02.수집 2026. 06. 02.출처 타입 REDDIT
인용 시 "요약 출처: AI Trends (aitrends.kr)"를 표기하고, 사실 확인은 원문 보기 기준으로 진행해 주세요. 자세한 기준은 운영 정책을 참고해 주세요.
