지도학습의 원리: 회귀와 분류

지도학습

• 지도학습(supervised learning): 입력과 정답이 짝지어진 과거 데이터에서 예측 규칙을 학습하는 방식
• 목표: 아직 결과를 모르는 새로운 사례의 결과 예측
• 예측(prediction)은 시간적으로 미래를 가리키기보다, 아직 관찰되지 않은 결과를 추측하는 것을 가리킴
  • 예: 기기의 고장 여부를 예측한다고 하면, 꼭 앞으로 고장난다는 뜻이 아니라 현재 고장 여부를 진단하는 것을 포함

입력과 정답

• 특성(feature) $X$: 예측에 사용하는 정보(독립변수)
• 타깃(target) $y$: 예측하려는 정답(종속변수)
• 모델(model): $X$와 $y$의 관계를 학습한 예측 규칙

아파트 거주자의 자료를 예:

• 입력 $X$: 월세, 통학 시간, 소음 수준
• 타깃 $y$: 주거 만족도 또는 재계약 여부
• 어떤 열을 $y$로 정하는지에 따라 서로 다른 예측 문제

학습과 예측

1. 과거 사례에서 입력 $X$와 정답 $y$를 준비
2. 모델이 $X$와 $y$의 관계를 학습
3. 결과를 모르는 새로운 사례의 $X$를 모델에 입력
4. 모델이 새로운 사례의 결과를 예측
5. 실제 결과가 확인되면 예측과 비교

회귀

• 회귀(regression): 연속적인 숫자를 예측하는 지도학습 문제
• 평가의 핵심: 실제값과 예측값의 차이
• 차이를 최소화 하는 방향으로 학습

예시:

• 주거 조건으로 만족도 점수 예측
• 공부 시간과 출석 기록으로 시험 점수 예측
• 주택 특성으로 가격 예측
• 기온과 이용자 수로 전력 사용량 예측

분류

• 분류(classification): 미리 정한 범주 중 하나를 예측하는 지도학습 문제
• 평가의 핵심: 실제 범주와 예측한 범주의 일치 여부
• 범주를 0이나 1처럼 숫자로 표시하더라도, 범주를 예측하는 문제이면 분류

예시:

• 장치 상태 특징을 바탕으로 정상/고장 예측
• 학습 기록으로 강의 완주/포기 예측
• 고객 행동으로 선호 상품 유형 예측
• 이메일 내용으로 스팸 여부 예측