가중치 Decision Stump

Decision Stump(52번) 의 AdaBoost 친화 변형. 각 샘플에 가중치 를 주고, 가중 오분류 합을 최소화합니다:

$\text{error}(j, t) = \sum_i w_i \cdot \mathbb{1}[\hat{y}_i(j, t) \ne y_i]$

AdaBoost에서는 매 부스팅 라운드마다 잘못 분류된 샘플의 가중치를 늘려 다음 stump이 그 샘플들에 집중하도록 합니다.

가중 다수결

잎에서 라벨을 정할 때도 가중 다수결:

• 왼쪽 영역의 $y=0$ 가중치 합 vs $y=1$ 가중치 합 비교
• 큰 쪽을 영역의 예측 레이블로.

과제

함수 fit_weighted_stump(X, y, w) 를 완성하세요.

• X (N, D), y (N,) ∈ {0, 1}, w (N,) ≥ 0.
• 반환: (feature, threshold, left_pred, right_pred).
• 예측 규칙: left_pred if X[:, feature] <= threshold else right_pred.
• 각 후보 분할에서 가중 오분류 합을 계산, 최소인 것 선택.

테스트 케이스

#	이름	검증
1	균등 가중치 → 52번과 동일
2	한 샘플에 극대 가중치 → 그 샘플이 잘못 분류되면 손실 큼
3	기본 동작 (분리 가능 데이터) → 100% 정확도
4	가중치가 0인 샘플은 영향 없음