Out-of-Bag (OOB) 인덱스

56번 Bootstrap 은 복원추출로 n 개를 뽑습니다. 큰 $n$ 에서 원본의 약 36.8% 는 한 번도 뽑히지 않음 — 이게 Out-of-Bag (OOB) 샘플:

$P(i \text{ not drawn}) = \left(1 - \frac{1}{n}\right)^n \xrightarrow{n \to \infty} e^{-1} \approx 0.368$

왜 유용한가

• Bagging/Random Forest 에서, 샘플 $i$ 가 OOB인 모델들의 예측만 모아서 $i$ 를 평가 → 공짜 validation set.
• n 개 모델이 있으면 평균 n × 0.368 ≈ 0.37n 개 모델이 각 $i$ 에 대해 OOB.
• cross-validation 없이도 일반화 성능 추정 가능.

과제

함수 oob_indices(n, seed) 를 완성하세요.

1. 내부적으로 bootstrap indices 하나 생성 (default_rng(seed).integers(0, n, size=n)).
2. 원본 인덱스 [0, n) 중 bootstrap 에 안 들어간 것들 정렬된 배열로 반환.

• 반환: np.ndarray[int] (1D), 정렬됨. 비어 있을 수 있음 (작은 n).
• 힌트: np.setdiff1d(np.arange(n), boot).

테스트 케이스

#	이름	검증
1	1D 정수 배열
2	OOB ⊂ [0, n)
3	OOB + bootstrap 고유값 = [0, n)	setdiff 관계
4	n=1000 → OOB 비율 ≈ 0.368 ± 0.03
5	시드 재현성