HGB 앙상블은 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 | Hist Gradient Boosting |
|---|---|
| 전술 | 정공법. 과열도 침체도 앞서 반영하지 않고 데이터가 말하는 만큼만 움직인다. |
| 강점 | 표본이 두터운 밀집 시장(수도권 아파트)에서 4개 시간대 검증 전 구간 상위권. |
| 약점 | 희소·이질 지형(토지)에서는 특화팀에게 왕좌를 내준다. |
엔진 v2 시절 입단해 지금까지 주전을 지킨 터줏대감. 레이더 예상낙찰가의 역사와 함께해 온 팀.
히스토그램 그래디언트 부스팅 — 연속값(감정가·유찰 깊이)을 구간(히스토그램)으로 압축해 계산량을 줄이고, 얕은 나무 400그루를 이어 붙이며 직전 나무의 잔차(실수)를 다음 나무가 교정한다. 검증 손실이 안 줄면 스스로 학습을 멈추는 조기종료 내장.
파이썬 sklearn 생태계의 표준 부스팅 — 히스토그램 아이디어를 sklearn이 흡수한 구현으로, 전 세계 정형데이터 실무의 기본기.
신예 3인방(캣부스트·라이트GBM·XG부스트)의 도전을 모두 방어 — 실측 55.4 vs 55.2·55.2·53.0. 왕좌는 여전히 주전의 것.
연합군(스태킹)의 총공세에도 아파트|경기 아성은 함락되지 않았다 — 단독 65.3% vs 연합 62.0%.
Friedman (2001) "Greedy Function Approximation: A Gradient Boosting Machine", Annals of Statistics — 히스토그램 구현은 LightGBM(2017) 계보를 scikit-learn이 흡수.
함수 공간에서의 경사하강법. 손실함수 L(y, F(x))의 음의 그래디언트(잔차 방향)를 각 단계의 회귀트리가 근사하고, 학습률 ν로 축소해 가법 모델 F_M = Σ ν·h_m 을 만든다.
연속 특성을 최대 256개 구간(히스토그램)으로 이산화해 분할점 탐색을 O(#bins)로 줄인다. 각 반복에서 얕은 트리가 직전 앙상블의 잔차를 학습하고, 검증 손실이 개선되지 않으면 조기 종료한다.
학습 O(n·d·bins·M). 히스토그램 이산화로 정렬 기반 탐색 대비 메모리·시간을 크게 절감. 범주형 변수 네이티브 분할 지원.
그래디언트 부스팅은 지난 20년 정형데이터 예측의 사실상 표준 — 통계학습 교과서(ESL, Hastie et al.)의 핵심 장을 차지한다.
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.