도구명 : XGBoost 회귀
그래디언트 부스팅(XGBoost) 방식으로 얕은 트리를 순차 학습해 연속형 반응변수를 예측하는 앙상블 방법입니다. 검증 데이터 기반 조기 종료(early stopping), 잔차 진단, 부분의존도, 변수 중요도(Gain·Cover·Frequency)를 제공합니다.
← 상위메뉴로
1. 데이터 입력
CSV 파일 업로드
모든 계산은 브라우저 안에서만 수행되며 데이터가 외부로 전송되지 않습니다.
2. 변수 선택 및 모델 설정
반응변수(Y, 연속형)
숫자형 X 변수
숫자형 X 선택
▾
범주형 X 변수
범주형 X 선택
▾
부스팅 라운드 (n_estimators)
학습률 (eta)
최대 깊이 (max_depth)
min_child_weight
분할 최소 손실감소 (gamma)
L2 정규화 (lambda)
L1 정규화 (alpha)
행 표본비율 (subsample)
열 표본비율 (colsample_bytree)
검증 방식
홀드아웃 (검증 분할 + 조기 종료)
k-겹 교차검증
검증 데이터 비율 (%)
폴드 수 (k)
조기 종료 대기 라운드 (0 = 미사용)
난수 시드
XGBoost 실행
초기화
데이터가 입력되면 자동으로 변수 목록이 갱신됩니다.
3. 결과
분석 데이터 및 설정
검증 데이터 회귀 성능
학습 곡선 (라운드별 RMSE)
실측값 vs 예측값
잔차 vs 예측값
변수 중요도
CSV 다운로드
Gain
Cover
Frequency
부분의존도 (Partial Dependence)
4. 예측
단건 예측
예측 실행
일괄 예측
일괄 예측 실행
결과 CSV 다운로드
엑셀에서 새 데이터를 복사해 아래에 붙여넣으세요. 첫 행이 변수명이면 이름으로 매칭하고, 변수명이 없으면 위 X 변수 순서와 동일한 것으로 간주합니다. 빈 셀(결측)은 학습된 기본 방향(sparsity-aware)으로 처리됩니다.