38회 ADsP 기출문제 · 해설

(가)는 데이터에 대한 데이터로 데이터의 특성, 구조, 정의, 관리 정보를 설명하는 메타데이터이고, (나)는 데이터를 빠르게 찾을 수 있게 해 주는 자료구조인 인덱스입니다. 테이블은 행과 열로 이루어진 표 형식의 데이터이고, 속성은 테이블의 한 열에 해당하는 데이터입니다.
시험 포인트: 메타데이터 = 데이터에 대한 데이터, 인덱스 = 검색·조회 성능을 높이는 자료구조, 속성 = 테이블의 열

Oracle, SQL Server, DB2는 대표적인 상용 데이터베이스 관리 시스템입니다. Tableau는 데이터를 시각적으로 탐색하고 대시보드와 리포트를 만드는 데이터 시각화·BI 도구이므로 상용 DB가 아닙니다.
시험 포인트: 상용 DB = Oracle·SQL Server·DB2 등, Tableau = 데이터 시각화·BI 도구

데이터 크기 단위는 KB, MB, GB, TB, PB, EB, ZB, YB 순으로 커집니다. 따라서 PB, EB, ZB, YB 순으로 나열한 것이 작은 것부터 큰 것의 올바른 순서입니다.
시험 포인트: 데이터 단위 = KB < MB < GB < TB < PB < EB < ZB < YB (Peta < Exa < Zetta < Yotta)

데이터베이스의 특징은 통합 데이터, 저장 데이터, 공용 데이터, 변화하는 데이터입니다. 통합 데이터는 같은 내용의 데이터가 중복되지 않도록 모아 둔다는 뜻이므로 중복되어 저장된다는 설명이 틀렸습니다. 나머지는 저장 데이터, 공용 데이터, 변화하는 데이터를 옳게 설명했습니다.
시험 포인트: 데이터베이스 특징 = 통합(중복 최소화)·저장·공용·변화하는 데이터

빅데이터 활용의 3요소는 데이터(자원), 기술, 인력입니다. 데이터는 모든 것의 데이터화, 기술은 진화하는 알고리즘과 인공지능, 인력은 데이터 사이언티스트와 알고리즈미스트입니다. 프로세스는 3요소가 아니라 데이터 거버넌스의 구성요소이므로 틀린 설명입니다.
시험 포인트: 빅데이터 활용 3요소 = 데이터·기술·인력, 데이터 거버넌스 3요소 = 원칙·조직·프로세스

빅데이터로 인한 본질적 변화는 사전처리에서 사후처리로, 표본조사에서 전수조사로, 질에서 양으로, 인과관계에서 상관관계로의 이동입니다. 나는 표본조사를 수행하는 환경으로 변했다고 해 반대이고, 라는 인과관계에 의한 예측이 상관관계 분석을 압도한다고 해 반대이므로 옳지 않습니다.
시험 포인트: 빅데이터의 변화 = 사전→사후처리, 표본→전수조사, 질→양, 인과→상관관계

빅데이터의 위기요인은 사생활 침해, 책임원칙의 훼손, 데이터 오용입니다. 익명화는 위기요인에 포함되지 않습니다. 사생활 침해는 동의제에서 책임제로, 책임원칙 훼손은 기존 책임원칙 강화로, 데이터 오용은 알고리즘 접근권 허용과 객관적 인증 방안으로 대응합니다.
시험 포인트: 빅데이터 위기요인 = 사생활 침해·책임원칙 훼손·데이터 오용

데이터 사이언티스트의 역량은 하드 스킬과 소프트 스킬로 나뉩니다. 통찰력 있는 분석, 설득력 있는 전달, 다분야 간 협력은 소프트 스킬이고, 빅데이터에 대한 이론적 지식은 하드 스킬에 해당하므로 종류가 다릅니다.
시험 포인트: 하드 스킬 = 빅데이터 이론 지식·분석 기술 숙련, 소프트 스킬 = 통찰력·설득력·협력

외부 공급업체·제휴업체와 정보시스템을 연계해 물류와 정보 흐름의 시간과 비용을 최적화하는 솔루션은 SCM(공급망 관리)입니다. CRM은 고객 관계 관리, ERP는 기업 내부 자원의 통합 관리, KMS는 지식 관리 시스템입니다.
시험 포인트: SCM = 공급망 전체 연계·최적화, CRM = 고객 관리, ERP = 전사 자원 통합 관리, KMS = 지식 관리

데이터(Data), 정보(Information), 지식(Knowledge), 지혜(Wisdom)의 단계를 피라미드로 설명하는 것이 DIKW 계층구조입니다. SECI는 암묵지와 형식지가 상호작용하며 지식이 창출되는 과정을 설명하는 모델이고, ETL은 데이터를 추출·변환·적재하는 절차, KDD는 데이터에서 지식을 발견하는 과정입니다.
시험 포인트: DIKW = 데이터 → 정보 → 지식 → 지혜 계층 피라미드, SECI = 암묵지·형식지 상호작용(공통화·표출화·연결화·내면화)

분석 수준 진단에서 준비도와 성숙도가 모두 낮은 기업은 준비형입니다. 준비도가 낮고 성숙도가 높으면 정착형, 준비도가 높고 성숙도가 낮으면 도입형, 둘 다 높으면 확산형입니다. 준비형은 필요한 데이터, 인력, 조직, 분석 업무 등을 먼저 갖춰야 하는 기업입니다.
시험 포인트: 분석 수준 진단 4유형 = 준비형(둘 다 낮음)·정착형·도입형·확산형(둘 다 높음)

비즈니스 모델 캔버스로 과제를 발굴할 때의 5가지 영역은 업무, 제품, 고객, 지원 인프라, 규제와 감사입니다. 혁신은 이 영역에 포함되지 않으므로 틀린 것입니다.
시험 포인트: 비즈니스 모델 캔버스 과제 발굴 5영역 = 업무·제품·고객·지원 인프라·규제와 감사

분석과제 우선순위는 시급성과 난이도 사분면으로 정합니다. 시급성이 현재이고 난이도가 쉬운 Ⅲ영역이 가장 먼저 추진할 대상입니다. 시급성을 우선하면 Ⅲ→Ⅳ→Ⅱ, 난이도를 우선하면 Ⅲ→Ⅰ→Ⅱ 순서입니다. 시급성과 난이도가 모두 높은 영역이 우선순위가 가장 높다는 설명이 틀렸습니다.
시험 포인트: 분석과제 우선순위 = 시급성·난이도 사분면, 가장 먼저 = 시급성이 현재이고 난이도가 쉬운 Ⅲ영역

분석 성숙도 진단은 주로 기업 내부의 데이터 분석 능력과 프로세스를 평가하며, 도입·활용·확산·최적화 단계로 구분하고 CMMI 모델을 활용해 평가합니다. 분석 준비도와 함께 평가하기도 합니다. 유사 업종이나 경쟁업체와의 비교 분석을 포함한다는 설명이 틀렸습니다.
시험 포인트: 분석 성숙도 = 기업 내부 분석 능력·프로세스 진단, 도입→활용→확산→최적화, CMMI 활용

분석 마스터플랜에서 우선순위 고려요소는 전략적 중요도, ROI, 실행 용이성이고, 적용 범위와 방식의 고려요소는 업무 내재화 적용 수준, 분석 데이터 적용 수준, 기술 적용 수준입니다. 실행 용이성은 우선순위 고려요소이므로 적용 범위/방식의 고려요소가 아닙니다.
시험 포인트: 우선순위 고려 = 전략적 중요도·ROI·실행 용이성 / 적용 범위·방식 고려 = 업무 내재화·분석 데이터·기술 적용 수준

분산 조직 구조는 분석 조직의 인력이 현업 부서에 배치되어 업무를 수행하므로 전사 차원에서 과제의 우선순위를 정해 수행할 수 있고 분석 결과를 신속하게 실무에 적용할 수 있습니다. 그래서 실무 적용에 대한 대응이 느리다는 설명이 틀렸습니다.
시험 포인트: 분산 조직 = 현업 부서 배치·신속한 실무 적용, 집중형 = 업무 중복·이원화 가능성, 기능 중심 = 전사적 핵심 분석 어려움

분석 활용 시나리오에서 가장 중요한 것은 데이터 확보보다 분석의 목표와 목적입니다. 목표와 목적을 정의하지 않으면 데이터 확보, 분석, 결과에 대한 계획을 세우기 어렵습니다. 시나리오는 분석 목표와 방법을 설명하고 예상 결과를 제시하는 문서이며 프로젝트 중에도 바뀔 수 있습니다.
시험 포인트: 분석 활용 시나리오 = 목표·목적이 데이터 확보보다 우선

분석 기획 시에는 확보 가능한 데이터의 유형을 먼저 분석하고, 유사한 시나리오와 솔루션이 있으면 최대한 활용하며, 장애요소에 대한 사전 계획을 세워야 합니다. 비용과 분석력은 서로 보완하는 요소로 균형을 유지해야 하므로 비용보다 분석력을 최우선으로 한다는 설명이 부적절합니다.
시험 포인트: 분석 기획 고려사항 = 가용 데이터 유형 분석·유사 시나리오 활용·장애요소 사전 계획, 비용과 분석력은 균형

운영 시스템 데이터 통합, EAI·ETL 같은 데이터 유통체계, 분석 전용 서버와 스토리지, 빅데이터 분석 환경, 비주얼 분석 환경은 분석을 뒷받침하는 시스템 환경에 해당하는 분석 인프라(IT 인프라) 항목입니다. 분석 준비도는 분석 업무 파악, 분석 인력과 조직, 분석 기법, 분석 데이터, 분석 문화, IT 인프라의 여섯 영역으로 평가합니다.
시험 포인트: 분석 준비도 6개 영역 = 분석 업무 파악·인력/조직·분석 기법·분석 데이터·분석 문화·IT 인프라

상향식 방식의 발산 단계와 하향식 방식의 수렴 단계를 반복하며 과제를 발굴하는 접근법은 디자인 사고(Design Thinking)입니다. 복잡하고 다양한 환경에서는 논리적 단계별 접근만으로 한계가 있어 이를 보완하는 데 쓰입니다. 발산 단계에서는 가능한 옵션을 폭넓게 찾고, 수렴 단계에서는 도출된 옵션을 분석하고 검증합니다.
시험 포인트: 디자인 사고 = 상향식 발산 + 하향식 수렴 반복으로 과제 발굴

p-value가 0.07919로 유의수준 0.05보다 커서 두 집단의 평균이 같다는 귀무가설을 기각할 수 없습니다. 따라서 수면유도제 2가 1보다 효과적이라고 할 수 없어 그 설명이 부적절합니다. 신뢰구간(−3.36~0.20)이 0을 포함하는 것도 같은 결론을 줍니다. 독립표본 t검정 전에는 등분산 검정을 합니다.
시험 포인트: p-value > 유의수준 → 귀무가설 기각 불가(차이가 있다고 단정할 수 없음)

분류 모형 평가에는 오분류표(혼동행렬), ROC 그래프, 향상도 곡선, 이익도표, Kappa 등을 사용합니다. 덴드로그램은 계층적 군집분석 결과를 나무 모양으로 나타낸 그림이므로 분류 모형 평가 도구가 아닙니다.
시험 포인트: 분류 모형 평가 = 오분류표·ROC·향상도 곡선·이익도표, 덴드로그램 = 계층적 군집 결과 그림

증거가 확실할 때 가설검정으로 증명하려는 것은 대립가설입니다. 귀무가설(영가설)은 가설검정의 대상이 되는 가설로 연구자가 부정하고자 하는 가설이고, 대립가설은 연구자가 입증하기를 기대하는 주장으로 귀무가설이 기각되면 채택됩니다.
시험 포인트: 귀무가설 = 검정의 대상·부정하려는 가설, 대립가설 = 입증하려는 주장(귀무가설 기각 시 채택)

K-means, Single Linkage, DBSCAN은 모두 개체를 비슷한 것끼리 묶는 군집분석 방법입니다. 주성분 분석은 변수를 줄이는 차원 축소 기법이어서 성격이 다릅니다.
시험 포인트: 군집분석 = 계층적(최단·최장·중심·평균·와드)·비계층적(K-means·DBSCAN) / 차원 축소 = 주성분 분석·다차원 척도법·요인 분석

스피어만 상관계수는 원시 데이터가 아니라 각 변수에 매긴 순위를 기반으로 하므로 서열척도 자료에도 쓸 수 있고, 두 변수 사이의 비선형적인 관계도 나타낼 수 있습니다. 연속형뿐 아니라 이산형 데이터에도 사용합니다. 그래서 비선형 관계를 나타낼 수 없다는 설명이 틀렸습니다.
시험 포인트: 스피어만 상관계수 = 순위 기반·서열척도·비선형 관계도 표현 가능

비지도 신경망으로 고차원 데이터를 이해하기 쉬운 저차원의 뉴런으로 정렬해 지도 형태로 보여주는 알고리즘은 SOM(자기조직화지도)입니다. 입력층과 2차원 격자 형태의 경쟁층으로 이루어지고 차원 축소와 군집화를 함께 수행합니다. DBSCAN은 밀도 기반 군집, PCA는 선형 차원 축소입니다.
시험 포인트: SOM = 비지도 신경망·입력층+경쟁층(2층)·차원 축소와 군집화 동시 수행

공분산행렬이나 상관계수 행렬을 사용해 모든 변수를 가장 잘 설명하는 주성분을 찾고, 상관관계가 있는 변수들을 선형결합해 상관관계가 없는 새 변수로 만들며 분산을 극대화하는 방법은 주성분 분석입니다. 새 변수(주성분)는 원래 변수들의 선형결합으로 이루어집니다.
시험 포인트: 주성분 분석(PCA) = 상관된 변수를 선형결합해 서로 무상관한 주성분으로 축약, 분산 극대화

두 사건이 독립이면 한 사건의 발생이 다른 사건의 확률을 바꾸지 않으므로 P(B|A)=P(B)입니다. 즉 B의 확률은 A가 일어났다는 가정에서의 조건부 확률과 같습니다. 그래서 다르다는 설명이 틀렸습니다.
시험 포인트: 독립사건 P(B|A) = P(B), 조건부확률 P(A|B) = P(A∩B)/P(B)

산점도에서 TV 광고가 늘수록 Sales도 늘어나는 양의 상관관계가 보입니다. 다만 TV 광고가 증가함에 따라 점들의 퍼짐(분산)도 함께 커지므로 Sales의 분산이 동일하다는 설명은 알맞지 않습니다. TV 광고와 Sales의 관계를 설명하는 데 단순선형회귀모델을 쓰는 것은 적절합니다.
시험 포인트: 산점도에서 X가 커질수록 점의 퍼짐(분산)이 커지면 분산이 동일하지 않다

Salary는 평균(535.9)이 중앙값(425.0)보다 커서 오른쪽으로 꼬리가 긴 분포입니다. 따라서 왼쪽 꼬리가 길다는 설명이 부적절합니다. NewLeague는 A와 N으로 구분되는 범주형 변수이고, Hits에는 NA가 없으며, HmRun의 최댓값은 40입니다.
시험 포인트: 평균 > 중앙값 → 오른쪽 꼬리가 긴 분포, 평균 < 중앙값 → 왼쪽 꼬리가 긴 분포

모집단의 크기가 비교적 작을 때 주로 쓰고 한 번 추출된 표본이 다시 추출될 수 있는 방법은 복원추출법입니다. 붓스트랩이 대표적인 복원추출법입니다. 층화추출, 군집추출, 계통추출은 모집단을 나누거나 간격을 두고 뽑는 방법으로 복원추출법과 구분됩니다.
시험 포인트: 복원추출 = 한 번 뽑은 표본을 다시 뽑을 수 있음(붓스트랩)

상자그림에서 sunflower 쪽에 동그라미로 표시된 점이 있어 이상치가 존재합니다. 따라서 이상치가 존재하지 않는다는 설명이 옳지 않습니다. casein의 중위수는 horsebean보다 크고, soybean은 meatmeal보다 최솟값은 크고 최댓값은 작으며, horsebean은 무게가 가장 작은 쪽에 분포합니다.
시험 포인트: 상자그림에서 수염 밖에 따로 찍힌 점 = 이상치(sunflower에 존재)

등간척도는 순위를 부여하되 순위 사이 간격이 동일해 양적 비교(덧셈, 뺄셈)는 가능하지만 절대 0점이 없어 곱셈·나눗셈 같은 비율 계산은 할 수 없습니다. 그래서 사칙연산이 가능하다는 설명이 부적절합니다. 사칙연산까지 가능한 것은 절대 0점이 있는 비율척도입니다.
시험 포인트: 등간척도 = 덧셈·뺄셈 가능, 절대 0 없음 / 비율척도 = 사칙연산 가능, 절대 0 있음

연관분석은 품목 수가 늘어나면 분석에 필요한 계산이 기하급수적으로 늘어나는 단점이 있습니다. 그래서 품목 수가 증가해도 계산이 늘어나지 않는다는 설명이 잘못되었습니다. 비목적성 분석 기법으로 계산이 간편하고, 대표 알고리즘은 Apriori이며, 조건-반응 형태의 결과를 이해하기 쉬운 것은 장점입니다.
시험 포인트: 연관분석 장점 = 비목적성·조건-결과로 이해 쉬움, 단점 = 품목 수 증가 시 계산량 기하급수적 증가

데이터를 학습, 검증, 테스트 데이터로 나누어 쓰며, 검증용 데이터는 학습 단계에서 과적합 여부 확인이나 조기 종료 같은 중간 점검에 쓰입니다. 모델의 최종 성능 평가는 학습이 끝난 뒤 테스트용 데이터로 하므로 검증용 데이터를 모델 성능 평가에 쓴다는 설명이 틀렸습니다. 테스트 데이터와 학습 데이터는 섞이면 안 됩니다.
시험 포인트: 학습용 = 학습, 검증용 = 학습 중 성능 확인(과적합 점검), 테스트용 = 학습 후 최종 성능 평가

표준오차는 표본평균이 모평균과 얼마나 떨어져 있는지를 나타내며 σ/√n으로 구하고 n이 클수록 작아집니다. 더 작은 표준오차는 추정치가 모집단 모수를 더 정확하게 반영함을 뜻합니다. 신뢰구간에 모수의 참값이 포함됨을 나타내는 것은 표준오차가 아니라 신뢰수준(95%)이므로 그 설명이 틀렸습니다.
시험 포인트: 표준오차 = σ/√n(n이 클수록 작음), 신뢰수준 95% = 반복 추출 시 95%가 모수를 포함

지니지수는 1−Σ(범주별 비율)²로 구합니다. 5개 중 동그라미 4개(4/5), 다이아몬드 1개(1/5)이므로 1−((4/5)²+(1/5)²)=1−(16/25+1/25)=8/25=0.32입니다.
시험 포인트: 지니지수 = 1 − Σ pᵢ²

지지도는 전체 거래 중 두 품목을 동시에 포함한 거래의 비율입니다. 콜라와 맥주가 함께 있는 거래는 1, 4, 5번 세 건이므로 3/6=0.5입니다.
시험 포인트: 지지도(A→B) = A와 B를 모두 포함한 거래 수 ÷ 전체 거래 수

향상도는 P(B|A)/P(B)=P(A∩B)/(P(A)×P(B))입니다. 전체 거래량 1,000 중 딸기 포함 700(0.7), 사과 포함 450(0.45), 딸기와 사과를 함께 포함 300(0.3)이므로 향상도는 0.3/(0.7×0.45)입니다.
시험 포인트: 향상도 = P(A∩B) ÷ (P(A)×P(B)), 1보다 크면 양의 연관

여러 개의 붓스트랩 자료를 만들고 각 자료에 예측 모형을 만든 뒤 결합해 최종 모형을 만드는 앙상블 기법은 배깅입니다. 보팅은 서로 다른 모형의 결과를 집계해 많은 표를 받은 것을 답으로 하고, 부스팅은 분류가 잘못된 데이터에 더 큰 가중치를 주어 순차적으로 학습하며, 스태킹은 여러 모형의 예측 결과를 다시 학습 데이터로 씁니다.
시험 포인트: 배깅 = 붓스트랩 + 결합, 보팅 = 다수결, 부스팅 = 오분류 가중치, 스태킹 = 예측 결과 재학습

군집분석은 집단 간 이질성과 집단 내 동질성이 모두 높은 것을 군집으로 선택합니다. 모두 낮은 것을 선택한다는 설명이 틀렸습니다. 계층적 군집분석은 군집 수를 미리 정하지 않는 탐색적 모형이고, K-means는 잡음과 이상값에 영향을 받기 쉬우며, 군집분석은 비지도 학습입니다.
시험 포인트: 좋은 군집 = 집단 간 이질성 높음 + 집단 내 동질성 높음

추정된 회귀식은 weight = 24.4654 + 7.9879 × Time이므로 Time이 1단위 늘면 weight가 평균 7.9879 증가합니다. 따라서 8.8 증가한다는 설명이 틀렸습니다. 결정계수는 0.9588이고, F통계량의 p-value가 2.974e-08이라 5% 수준에서 모형이 유의합니다.
시험 포인트: 회귀계수 = 독립변수 1 증가 시 종속변수의 평균 변화량 (여기서는 7.9879)

다중공선성은 독립변수끼리 상관이 높아 회귀계수의 분산이 커지고 해석이 어려워지는 현상입니다. 상관된 변수들을 서로 무상관한 주성분으로 바꾸는 주성분 분석으로 해결할 수 있습니다. 교차 분석, 오차 분석, 연관 분석은 다중공선성 해결 방법이 아닙니다.
시험 포인트: 다중공선성 = 독립변수 간 높은 상관, 해결 = 변수 제거 또는 주성분 분석(PCA)

정상성(stationarity)은 시계열의 평균(수준)과 분산에 체계적인 변화가 없고 주기적 변동도 없어서 미래가 확률적으로 과거와 같다는 성질입니다. 추세·계절성·불규칙 변동은 시계열을 분해할 때 나오는 구성 요소이며, 정상 시계열에는 이런 체계적 변동이 없습니다. 비정상 시계열은 차분이나 변환으로 정상 시계열로 바꿔서 분석합니다.
시험 포인트: 정상 시계열 = 평균·분산 일정 + 추세·주기성 없음, 비정상 시계열은 차분으로 정상화

오분류표에서 TP = 15, FP = 60, FN = 60입니다. 정밀도 = TP ÷ (TP + FP) = 15 ÷ 75 = 1/5, 재현율 = TP ÷ (TP + FN) = 15 ÷ 75 = 1/5입니다. F1 = 2 × (정밀도 × 재현율) ÷ (정밀도 + 재현율) = 2 × (1/25) ÷ (2/5) = 1/5입니다. 정밀도와 재현율이 같으면 F1도 같은 값이 됩니다.
시험 포인트: F1 = 2·정밀도·재현율 / (정밀도 + 재현율), 정밀도 = TP/(TP+FP), 재현율 = TP/(TP+FN)

완전 연결법(최장 연결법)은 두 군집에서 관측값을 하나씩 뽑았을 때 나타날 수 있는 거리 중 최댓값으로 군집 간 거리를 측정합니다. 최단 연결법(단일 연결법)은 같은 방식으로 최솟값을, 평균 연결법은 평균을 사용합니다.
시험 포인트: 최단(단일) 연결법 = 최솟값, 최장(완전) 연결법 = 최댓값, 평균 연결법 = 평균

주성분 1개를 사용했을 때 설명되는 분산은 PC1의 Proportion of Variance를 보면 됩니다. PC1은 0.5746이므로 %로 바꾸면 57.46%이고, 소수점 둘째 자리에서 반올림하면 57.5%입니다. Cumulative Proportion은 PC1부터 해당 주성분까지 누적한 분산 비율입니다.
시험 포인트: 주성분 k개 사용 시 설명 분산 = Cumulative Proportion (1개일 때는 PC1의 Proportion of Variance와 같음)

생물학적 진화 과정을 모방해 선택, 교차, 변이 같은 유전 연산으로 다양한 해를 탐색하고 최적해를 찾아가는 알고리즘은 유전 알고리즘입니다. 담금질 기법은 금속의 냉각 과정을 모방한 최적화 기법, 경사하강법은 기울기를 따라 손실을 줄여 가는 방법, 그리디 알고리즘은 매 순간 최선의 선택을 하는 방법입니다.
시험 포인트: 유전 알고리즘 = 진화 모방, 선택·교차·변이 연산으로 최적해 탐색

모집단을 서로 겹치지 않는 여러 층으로 나누고 각 층에서 단순 임의 추출로 표본을 뽑는 방법은 층화 추출법입니다. 단순 임의 추출법은 모든 개체가 같은 확률로 뽑히는 방법이고, 계통 추출법은 일련번호를 붙여 일정 간격으로 뽑는 방법이며, 군집 추출법은 모집단을 여러 집단으로 나눈 뒤 일부 집단을 통째로 뽑는 방법입니다.
시험 포인트: 층화 = 층별로 임의 추출, 군집 = 집단 통째로 선택, 계통 = 일정 간격 추출, 단순 임의 = 동일 확률

드롭아웃(Drop-out)은 신경망을 학습할 때 노드의 일부를 무작위로 골라 그 회차의 학습에서 제외하는 기법입니다. 매번 다른 노드로 이루어진 부분 신경망을 학습하게 되어, 서로 다른 여러 모형을 만들어 결과를 결합하는 앙상블과 비슷한 효과를 내고 과대적합을 줄입니다. 배깅은 노드가 아니라 붓스트랩 표본을 무작위로 뽑는 방식이고, 미니배치는 학습 데이터를 일정 크기로 나누어 학습하는 방법이며, AdaBoost는 이전 모델이 잘못 분류한 표본에 가중치를 주며 순차적으로 학습합니다.
[출제 논란] 출제 오류 안내: 원본 정답키는 AdaBoost였지만, 발문은 노드를 무작위로 골라 여러 부분 모형을 학습하고 결합하는 드롭아웃의 정의와 맞습니다. AdaBoost는 노드가 아니라 잘못 분류된 표본에 가중치를 주는 부스팅 기법이라 패스뱅크는 드롭아웃을 정답으로 수록했습니다.
시험 포인트: Drop-out = 학습 중 노드를 무작위로 제외(과대적합 방지·앙상블 효과), 배깅 = 붓스트랩 표본, AdaBoost = 오분류 가중치 순차 학습