하미's 블로그

분류 모델과 달리 회귀 모델은 연속적인 값을 예측하기 때문에, 그 성능을 평가할 때는 다른 지표를 사용합니다. 이번 글에서는 회귀 문제에서 가장 자주 사용되는 평가 지표인 MAE, MSE, RMSE, R² (결정 계수)에 대해 설명합니다.1. MAE (Mean Absolute Error, 평균 절대 오차)정의: 실제값과 예측값 사이의 절대 오차의 평균공식:MAE = (1/n) * Σ |yᵢ - ŷᵢ|특징:직관적이고 해석이 쉬움이상치에 덜 민감함단위가 원래 데이터와 동일함2. MSE (Mean Squared Error, 평균 제곱 오차)정의: 오차를 제곱한 값의 평균공식:MSE = (1/n) * Σ (yᵢ - ŷᵢ)²특징:큰 오차에 더 큰 패널티 부여 (이상치에 민감)미분 가능해 수학적으로 다루기 쉬움3...

혼동 행렬은 분류 모델의 성능을 보다 직관적이고 상세하게 분석할 수 있는 도구입니다. 모델의 예측 결과를 실제 정답과 비교하여 4가지 요소로 구분함으로써, 정밀도(Precision), 재현율(Recall), 정확도(Accuracy) 등의 지표 계산의 기반이 됩니다.혼동 행렬이란?이진 분류(Binary Classification) 문제에서 혼동 행렬은 다음과 같이 구성됩니다:실제 \ 예측 Positive (1) Negative (0)Positive (1)TP (True Positive)FN (False Negative)Negative (0)FP (False Positive)TN (True Negative)각 요소의 의미:TP (참긍정): 실제도 Positive, 예측도 PositiveTN (참부정): 실제..

머신러닝 모델의 성능을 평가하는 것은 매우 중요합니다. 특히 분류 문제에서는 단순한 **정확도(Accuracy)**만으로는 충분하지 않기 때문에, 다양한 지표를 함께 고려해야 합니다. 이 글에서는 대표적인 분류 모델 평가 지표 4가지를 설명합니다.1. 정확도 (Accuracy)정의: 전체 데이터 중에서 모델이 정답을 맞춘 비율공식:Accuracy = (TP + TN) / (TP + FP + FN + TN)TP: True PositiveTN: True NegativeFP: False PositiveFN: False Negative장점: 직관적이고 이해하기 쉬움단점: 클래스 불균형 데이터에서는 왜곡된 결과를 줄 수 있음2. 정밀도 (Precision)정의: 모델이 Positive라고 예측한 것 중에서 실제로..

머신러닝과 딥러닝은 인공지능(AI) 기술의 핵심 축을 이루는 개념입니다. 비슷하게 들리지만, 구조와 학습 방식, 적용 분야에서 큰 차이를 보입니다. 이 글에서는 두 개념을 명확히 구분하고, 어떤 상황에서 각각이 적합한지 알아보겠습니다.머신러닝(Machine Learning)이란?머신러닝은 데이터로부터 패턴을 학습하고 예측하거나 분류하는 알고리즘입니다. 사람이 직접 규칙을 코딩하지 않아도, 데이터 기반으로 모델이 스스로 규칙을 발견합니다.대표 알고리즘:결정 트리(Decision Tree)SVMKNNNaive BayesRandom Forest 등특징:적은 양의 데이터로도 학습 가능피처(Feature) 추출이 필요 (수작업 설계)비교적 빠르게 학습됨딥러닝(Deep Learning)이란?딥러닝은 머신러닝의 하위..

앙상블(Ensemble)은 여러 개의 모델을 결합하여 단일 모델보다 더 나은 예측 성능을 얻기 위한 방법론입니다. 대표적인 앙상블 기법으로는 Bagging과 Boosting이 있으며, 두 방법은 그 구조와 철학에서 차이를 보입니다.Bagging (Bootstrap Aggregating)설명: Bagging은 여러 개의 모델을 독립적으로 학습시키고, 그 결과를 평균 내거나 다수결 투표로 결합하는 방식입니다. 각 모델은 **서로 다른 무작위 샘플(부트스트랩 샘플)**로 학습됩니다.대표 알고리즘: Random Forest특징:각 모델은 병렬적으로 학습됨모델 간 상호작용 없음편향(Bias)은 줄이지 못하지만, 분산(Variance)을 줄여 안정적인 결과 도출장점:과적합 위험이 적음병렬 처리로 학습 속도가 빠름단..

머신러닝에는 다양한 알고리즘이 존재하며, 문제 유형이나 데이터 특성에 따라 적합한 알고리즘이 달라집니다. 이번 글에서는 기본적이면서도 널리 사용되는 대표적인 머신러닝 알고리즘 4가지를 소개합니다.1. 결정 트리(Decision Tree)설명: 결정 트리는 데이터를 분할하면서 예측값을 도출하는 트리 구조의 모델입니다. 조건문(if-else)을 따라가며 최종 예측값에 도달합니다.장점:이해와 해석이 쉬움범주형/수치형 데이터 모두에 사용 가능전처리 부담이 적음단점:과적합(Overfitting)이 발생하기 쉬움트리가 깊어지면 복잡해짐활용 예: 고객 이탈 예측, 의사결정 지원 시스템 등2. 서포트 벡터 머신(SVM)설명: SVM은 데이터를 분류하기 위한 최적의 경계(초평면)를 찾는 알고리즘입니다. 마진(margin..

자기지도학습은 지도학습과 비지도학습의 중간 형태로, 라벨 없이도 스스로 학습을 위한 레이블(자기 레이블)을 생성하여 학습하는 방식입니다. 데이터의 일부를 숨기고, 그 숨겨진 부분을 예측하도록 하는 식으로 학습을 유도합니다.왜 자기지도학습이 중요한가?딥러닝의 성능을 높이기 위해서는 대규모 레이블 데이터가 필요한데, 이를 수작업으로 준비하는 데는 막대한 시간과 비용이 듭니다. 자기지도학습은 이런 문제를 해결하며 데이터의 잠재적 구조를 효과적으로 학습할 수 있는 방법으로 떠오르고 있습니다.자기지도학습의 핵심 원리입력 데이터의 일부를 변형하거나 마스킹변형된 데이터를 통해 원래 데이터를 예측하도록 학습예측 결과를 바탕으로 피처 표현을 고도화예시: 문장에서 단어 일부를 마스킹하고 이를 맞히는 방식 (ex. BERT..

준지도학습(Semi-Supervised Learning)이란?준지도학습은 소량의 레이블이 있는 데이터와 다량의 레이블이 없는 데이터를 함께 활용해 모델을 학습시키는 머신러닝 방법입니다. 지도학습처럼 정답 데이터를 사용하는 동시에, 비지도학습처럼 구조를 파악하여 더 나은 예측 성능을 목표로 합니다.왜 준지도학습이 필요한가?현실 세계에서는 모든 데이터를 레이블링하기가 어렵고 비용도 많이 듭니다. 반면, 비정형 데이터는 풍부하게 존재합니다. 이때 일부만 라벨이 붙은 데이터를 최대한 활용할 수 있는 방법이 바로 준지도학습입니다.준지도학습의 특징지도학습의 정확도와 비지도학습의 범용성을 결합라벨이 적은 상황에서도 비교적 높은 성능 기대데이터 활용 효율성 증가주요 접근 방식Self-training: 모델이 자신이 예..

강화학습은 머신러닝의 한 분야로, 에이전트(Agent)가 환경(Environment)과 상호작용하며 보상(Reward)을 최대화하는 방향으로 학습하는 방법입니다. 마치 사람이 시행착오를 통해 배우는 것처럼, 강화학습 모델도 시도하고, 실패하고, 보상받으며 최적의 행동 전략을 찾아갑니다.강화학습의 핵심 개념Agent(에이전트): 행동을 수행하는 주체 (예: 로봇, 게임 플레이어)Environment(환경): 에이전트가 상호작용하는 대상State(상태): 현재 환경의 정보Action(행동): 에이전트가 선택할 수 있는 행동Reward(보상): 행동에 따른 피드백 (정수나 실수)Policy(정책): 어떤 상태에서 어떤 행동을 할지를 결정하는 전략Value Function(가치 함수): 상태 또는 상태-행동 쌍..

비지도학습은 머신러닝의 한 종류로, 레이블(정답)이 없는 데이터로부터 패턴이나 구조를 학습하는 방식입니다. 지도학습과 달리, 출력값이 주어지지 않기 때문에 데이터의 숨겨진 구조나 특성을 스스로 파악해야 합니다.비지도학습이 필요한 이유현실 세계의 대부분의 데이터는 레이블이 존재하지 않습니다. 모든 데이터를 사람이 직접 분류하고 라벨링하는 것은 비용과 시간이 많이 들기 때문에, 비정형 데이터에서 의미 있는 정보를 자동으로 추출하는 기술이 중요해졌습니다.대표적인 비지도학습 방법1. 군집화(Clustering)비슷한 특성을 가진 데이터들을 묶는 방식입니다. 대표적인 알고리즘에는 다음과 같은 것들이 있습니다:K-Means: 데이터를 K개의 그룹으로 나눔DBSCAN: 밀도 기반 클러스터링, 잡음 데이터 처리에 유리..