Day 2 - SageMaker Builtin 1: XGBoost, Linear Learner, K-Means, KNN

📌 핵심 정리

• "정형 데이터 + 높은 정확도"는 거의 항상 XGBoost다. 트리 기반이라 스케일링이 필요 없고 결측치를 자체 처리한다.
• "초대규모 + 빠름 + 선형/해석 가능"은 Linear Learner. 여러 모델을 동시에 학습해 최적을 자동 선택한다.
• "레이블 없이 그룹/세분화 발견"은 K-Means. 클러스터 수 k를 반드시 사전에 지정해야 한다.
• 거리·선형 계열(KNN, K-Means, Linear Learner)은 스케일링이 필수, 트리(XGBoost)는 불필요. "스케일링 생략" 보기는 거리/선형 계열에서 오답 신호다.
• XGBoost 과적합 시나리오의 정답 방향은 max_depth↓, eta↓, 정규화(gamma/lambda/alpha)↑, subsample↓다.

네 알고리즘 한눈에

어제의 매핑 표에서 오늘은 가장 흔한 정형(표 형식) 데이터 알고리즘 네 개를 깊이 판다. 시험에 가장 자주 나오는 빌트인이며, 각각이 어떤 문제에 맞는지·입력 포맷·핵심 하이퍼파라미터를 구별하는 것이 관건이다.