그래디언트 부스팅 (Gradient Boosting)

마일스톤 학습법으로 단계별 완전 정복

분류

회귀

앙상블

부스팅

그래디언트부스팅

XGBoost

LightGBM

CatBoost

Kaggle

이 개념 직접 실험하기 — 부스팅 시뮬레이터

이 학습을 통해 달성할 수 있는 목표

기초 이해

• 그래디언트 부스팅의 직관적 의미(잔차 학습)를 이해한다
• 랜덤 포레스트와의 차이(병렬 vs 순차, 분산 감소 vs 편향 감소)를 설명할 수 있다
• 약한 학습기·학습률·트리 수의 역할을 안다

심화 학습

• Friedman의 그래디언트 부스팅 알고리즘 수식을 이해한다
• MSE 손실에서 그래디언트가 잔차와 같음을 직접 유도할 수 있다
• 주요 하이퍼파라미터(learning_rate, max_depth, n_estimators, early stopping)를 의도적으로 조절할 수 있다

실무 적용

• XGBoost의 2차 Taylor 근사와 정규화 항이 어떻게 정확도·과적합 제어에 기여하는지 설명할 수 있다
• LightGBM의 GOSS·EFB·leaf-wise growth가 학습 속도에 기여하는 원리를 안다
• CatBoost의 ordered boosting이 target leakage를 어떻게 방지하는지 이해한다
• 실무에서 GBM 라이브러리를 선택할 때의 트레이드오프(정확도·속도·범주형 처리·해석성)를 종합 판단할 수 있다

한눈에 보기

그래디언트 부스팅은 이전 모델의 잔차(오차의 기울기)를 다음 약한 트리가 순차적으로 보정해 더하는 부스팅 앙상블이다.

손실함수의 음의 그래디언트에 트리를 맞춰 조금씩 더해가며, 학습률로 각 트리의 기여를 조절한다.
배깅(병렬)과 달리 순차적으로 오차를 줄여 편향을 낮춘다 — 과적합 방지에 규제·조기종료가 중요하다.
XGBoost·LightGBM·CatBoost 등으로 구현돼 표 형식 데이터 예측을 지배한다.

이 내용은 너멜엠의 부스팅 시뮬레이터에서 직접 실험으로 확인할 수 있습니다.

학습 로드맵

각 단계를 클릭하면 해당 학습 내용을 볼 수 있습니다

기초 이해

개념 정의와 기본 원리

약 35분

클릭

심화 학습

공식 유도와 다양한 예시

약 55분

클릭

실무 적용

실제 케이스와 고급 응용

약 80분

학습 진도 (완료한 단계)

먼저 알아두면 좋은 개념들

결정 트리

그래디언트 부스팅의 약한 학습기는 거의 항상 얕은 결정 트리이므로, 트리의 분할 기준·과적합 특성을 먼저 이해해야 합니다.

랜덤 포레스트

같은 트리 앙상블이지만 학습 방식(병렬 배깅 vs 순차 부스팅)이 다릅니다. RF를 먼저 이해하면 GBM의 차별점이 명확해집니다.

경사하강법

그래디언트 부스팅은 손실 함수의 음의 그래디언트를 추적하는 알고리즘입니다. 경사하강법의 직관이 핵심 전제입니다.

기초 단계그래디언트 부스팅이란 무엇인가요?

기초 단계: 그래디언트 부스팅이란 무엇인가요?

난이도 3/5

약 35분

그래디언트 부스팅은 약한 예측 모델(보통 얕은 결정 트리)을 순차적으로 추가하면서, 이전 모델이 틀린 부분을 다음 모델이 학습해 보완하는 앙상블 기법입니다. 결과적으로 단순한 모델들이 합쳐져 매우 강력한 예측기를 만들어냅니다.

그래디언트 부스팅을 다인 시험 채점에 비유해보세요. 첫 번째 채점자가 답안을 채점한 뒤, 두 번째 채점자는 첫 번째 채점자가 놓친 오류만 집중적으로 살펴봅니다. 세 번째 채점자는 앞 두 명이 모두 놓친 부분을 봅니다. 이런 방식으로 매 단계마다 '이전까지의 실수'에만 집중하기 때문에, 단순한 채점자 여럿이 합쳐져 매우 정확한 채점 결과를 만들어냅니다. 그래디언트 부스팅도 똑같이 이전 단계의 잔차(residual)에 새 트리를 fitting하면서 오차를 점진적으로 줄여갑니다.

핵심 포인트

•약한 학습기(얕은 트리)를 순차적으로 학습시키는 앙상블 방법
•각 단계는 이전 모델의 잔차(예측 오차)를 학습 — 손실 함수의 음의 그래디언트 방향
•회귀에서는 잔차에, 분류에서는 로그 우도의 그래디언트에 fitting
•학습률(ν)과 트리 수(M)를 조절해 과적합을 제어
•표 형식(tabular) 데이터에서 가장 강력한 알고리즘 중 하나 — Kaggle 대회 우승 단골

간단한 예시

집값 예측 예시: 1) 모든 집의 평균값(예: 5억원)으로 초기 예측 → 잔차(실제값 - 예측값) 계산, 2) 잔차를 학습하는 작은 트리 추가(예: '강남이면 +3억, 외곽이면 -2억'), 3) 이번 예측 = 5억 + 학습률 × 잔차 보정, 4) 새로운 잔차로 또 다음 트리 학습. 이 과정을 100~1,000번 반복하면 매우 정확한 예측기가 완성됩니다.

이해도 확인하기

정답: 학습 방식이 다릅니다. 랜덤 포레스트는 여러 트리를 독립적으로 병렬 학습(배깅)해 분산(variance)을 줄이지만, 그래디언트 부스팅은 트리를 순차적으로 학습하며 각 단계가 이전의 오차를 보완(편향 감소)합니다. GBM이 일반적으로 더 정확하지만 학습 시간이 길고 하이퍼파라미터에 민감합니다.

정답: 각 단계에서 새 모델이 학습하는 대상이 손실 함수의 음의 그래디언트(negative gradient)이기 때문입니다. 이는 함수 공간(function space)에서의 경사하강법으로 해석할 수 있으며, 회귀의 MSE 손실에서는 단순한 잔차와 같아집니다.

정답: 랜덤 포레스트와 달리 그래디언트 부스팅은 트리 수가 늘면 과적합 위험이 커집니다. 그래서 학습률(ν, 보통 0.01~0.1)로 각 트리의 영향력을 줄이고, 조기 종료(early stopping)로 검증 손실이 더 이상 줄지 않을 때 학습을 멈추는 게 표준 관행입니다.

기계학습 이론 페이지로 돌아가기

LEARN · SIMULATE · VERIFY

그래디언트 부스팅 (Gradient Boosting)

마일스톤 학습법으로 단계별 완전 정복

이 학습을 통해 달성할 수 있는 목표

기초 이해

심화 학습

실무 적용

한눈에 보기

학습 로드맵

기초 이해

심화 학습

실무 적용

먼저 알아두면 좋은 개념들

결정 트리

랜덤 포레스트

경사하강법

기초 단계그래디언트 부스팅이란 무엇인가요?

기초 단계: 그래디언트 부스팅이란 무엇인가요?

핵심 포인트

간단한 예시

이해도 확인하기

Q1: 그래디언트 부스팅과 랜덤 포레스트의 가장 큰 차이는 무엇인가요?

Q2: 왜 '그래디언트'라는 이름이 붙었나요?

Q3: 트리 수를 무한정 늘리면 어떻게 되나요?