| 항목 | 값 |
|---|---|
| 베이스 모델 | 직접 구현 (처음부터 학습) |
| 크기 · 변형 | GradientBoostingRegressor(n_estimators=200, learning_rate=0.04, max_depth=3, random_state=42) |
| 리비전 | scikit-learn 1.9.0 (uv.lock 기준) |
| 아키텍처 | 깊이 3 회귀 트리 200개를 순서대로 더함 (손실: 제곱 오차, 기본값) |
| 학습 방식 | 처음부터 학습 |
| 프롬프트 · 에이전트 구성 | 해당 없음 |
선형 회귀 카드와 같은 데이터·분할·전처리입니다.
| 항목 | 값 |
|---|---|
| 확보 방식 | 공개 데이터셋 그대로 (수업 제공) |
| 출처 | 수업 자료 data/youtube_7day_views_regression_practice.csv |
| 직접 수집 내용 | 해당 없음 |
| 이용 조건 확인 | 해당 없음 (수업 자료) |
| 규모 | 1,500개 영상 |
| 분할 | train 1,200 / test 300 (8:2, 시드 42) |
| 레이블·클래스 분포 | 7일 조회수 486 ~ 1,848,414 (왜도 7.74) |
| 전처리 | 결측 중앙값 대체, 1~99% 클리핑, Category 원-핫 |
| 개인정보·민감정보 처리 | 해당 없음 (가상 데이터) |
| 항목 | 값 |
|---|---|
| 하이퍼파라미터 | n_estimators=200, learning_rate=0.04, max_depth=3 |
| 에폭 / 스텝 | 부스팅 200회 |
| 학습 시간 | [미확인] (노트북에 시간 측정이 없음) |
| 하드웨어 | CPU (scikit-learn). 장비 이름 [미확인] |
| 프레임워크 | scikit-learn 1.9.0, pandas 3.0.5 |
| 시드 · 재현 방법 | train_test_split(test_size=0.2, random_state=42), 모델 random_state=42 |
test 300개 기준, 노트북 출력입니다.
| 지표 | 값 | 테스트셋 | 비교 대상 (선형 회귀 / 랜덤 포레스트) |
|---|---|---|---|
| R² | 0.807 | test 300 | 0.856 / 0.788 |
| MAE | 9,802 | test 300 | 13,424 / 10,490 |
| RMSE | 32,555 | test 300 | 28,081 / 34,131 |
측정 안 함.
| 장비 | 장비 이름 | 배치 크기 | 지연 시간 (샘플당, p50 / p95) | 처리량 (샘플/초) | 메모리 사용 |
|---|---|---|---|---|---|
| CPU | [미확인] | - | 측정 안 함 | 측정 안 함 | 측정 안 함 |
| GPU | 해당 없음 (scikit-learn은 CPU 전용) | - | - | - | - |
from sklearn.ensemble import GradientBoostingRegressor
gb_model = GradientBoostingRegressor(n_estimators=200, learning_rate=0.04, max_depth=3, random_state=42)
gb_model.fit(X_train, y_train)
gb_pred = gb_model.predict(X_test)
print(f"mae: {mean_absolute_error(y_test, gb_pred)}")
print(f"rmse: {root_mean_squared_error(y_test, gb_pred)}")
print(f"r2score: {r2_score(y_test, gb_pred)}")mae: 9801.771527224508 rmse: 32554.568013668282 r2score: 0.8068895356385997
굵은 이름이 이 모델입니다. 주황 테두리가 그룹 안 최고값입니다.