엑스트라트리는 법원 경매 물건의 낙찰가를 예측하는 얼마써 예상낙찰가 모델 21개 중 하나입니다. 매달 실제 낙찰 결과와 대조해 채점하며, 물건의 조건이 이 모델에 맞을 때 그 값이 예상낙찰가로 채택됩니다. 성적만으로 정하지 않습니다.
| 정식 명칭 | Extra Trees |
|---|---|
| 전술 | 변칙. 남들이 안 가는 분기로 갈라져 가끔 대박, 자주 평범. |
| 강점 | 한때 단일 평가에서 최강 HGB를 +1.5%p 꺾는 파란. |
| 약점 | 4개 시간대 재검증에서 최하위권 추락 — 그 파란은 허구였다. |
랜덤포레스트의 급진 분파. 무작위성을 극한까지 밀어붙여 분가했다.
엑스트라 트리(Extremely Randomized Trees) — 형 RF는 최적 분기값을 계산하지만, ET는 분기 기준값까지 무작위로 뽑는다. 도박에 가까운 다양성으로 요행을 노리는 대신 학습은 더 빠르다.
특성이 많고 노이즈가 심한 데이터(유전체·센서)에서 RF의 대안으로 기용된다.
형 랜덤포레스트와의 혈통 더비. 그리고 자신을 반짝 스타로 만든 "단일 평가"와의 싸움 — 리그 검증 규율의 산 증인.
"한 번의 성적표를 믿지 말라"를 온몸으로 증명한 팀. 리그에 검증 규율이 존재하는 이유다.
Geurts, Ernst & Wehenkel (2006) "Extremely Randomized Trees", Machine Learning 63.
분산-편향 트레이드오프의 극단 실험. 분할 임계값까지 무작위 추출하면 개별 트리의 분산은 커지지만 트리 간 상관이 더 낮아져, 앙상블 평균의 분산이 이론적으로 더 줄 수 있다.
RF와 달리 부트스트랩 없이 전체 표본을 쓰고, 각 후보 특성마다 임계값을 균등분포에서 무작위로 뽑아 그중 최선을 취한다. 최적 분할 계산이 없어 학습이 빠르다.
학습 속도는 RF보다 빠름(분할점 탐색 생략). 노이즈 많은 고차원 데이터에서 RF 대비 우위가 보고된다.
원 논문에서 다수 벤치마크로 검증. 단, 데이터셋 의존성이 커서 "항상 우월"은 아니라는 후속 연구가 정설 — 본 리그의 4폴드 몰락 사례와 정합.
전체 모델 보기 → 경매 물건에서 예상낙찰가 확인하기 →
얼마써 — 사건번호만 입력하면 법원경매 물건의 예상낙찰가를 AI가 계산합니다. 여러 방식이 낸 값을 실제 낙찰가와 매달 대조해 검증합니다. 입찰가 결정은 경매 참여자 본인의 판단이며, 예상낙찰가는 통계 기반 참고치입니다. 입찰 전 법원 공고와 현장을 반드시 확인하세요.