머신러닝의 세가지 종류

1.머신러닝의 세가지 종류

1-1. 지도학습으로 미래 예측

지도 학습의 주요 목적 : 훈련된 데이터에서 모델을 학습하여 본 적 없는 미래 데이터에 대해 예측을 만드는 것

여기서 지도(supervised)는 희망하는 출력 신호(레이블)가 있는 일련의 샘플을 의미.

ex ) 스팸 이메일 필터링 : 훈련된 모델은 새로운 이메일이 두개의 범주 중 어디에 속하는지 예측 합니다.

스팸 이메일 필터링 처럼 범주(클래스 레이블)이 있는 지도 학습을 분류(Classification)이라고 합니다.

지도학습의 또다른 종류는 연속적인 값을 출력하는 회귀(regression)입니다.

1-1-1. 분류 : 클래스 레이블 예측

지도 학습의 하위 카테고리입니다.

과거의 관측을 기반으로 새로운 샘플의 범주형 클래스 레이블을 예측하는 것이 목적입니다.

클래스 레이블은 이산적(discrete) 이고 순서가 없어 샘플이 속한 그룹으로 이해할 수 있습니다.

앞서 얘기한 스팸메일 감지는 전형적인 이진분류(binary classification) 작업의 예 입니다.

두개 이상의 클래스 레이블을 가진 예측 분류 모델을 다중분류(multiclass classification)이라고 합니다.

전형적인 예로 손글씨 인식이 있습니다.

1-1-2. 회귀 : 연속적인 출력 값 예측

회귀는 예측변수(predicator variable 또는 설명변수), 입력(input)와 연속적인 반응 변수(repsponse variable)(또는 출력(outcome), 타겟(target))가 주어졌을 때 출력 값을 예측하는 두 변수 사이의 관계를 찾습니다.

예를 들어 학생들의 수학 SAT 점수를 예측한다고 가정했을때, 시험 공부에 투자한 시간과 최종 점수사이에

관계가 있다면 두 값으로 훈련 데이터를 만들고 모델을 학습 할 수 있습니다. 이 모델은 시험에 응시하려는

학생들이 공부한 시간을 이용하여 시험 점수를 예측합니다.

위 그림은 선형 회귀(linear regression) 의 개념을 나타 냅니다. 입력 x 와 타겟 y가 주어지면 샘플과 직선 사이 거리가 최소가 되는 직선을 그을 수 있습니다. 일반적으로 평균 제곱 거리를 사용합니다.

이렇게 데이터에서 학습한 직선의 기울기와 절편(intercept)을 사용하여 새로운 데이터의 출력값을 예측합니다.

1-2. 강화 학습

강화 학습은 환경과 상호 작용하여 시스템(에이전트(agent))의 성능을 향상하는 것이 목적이다. 환경의 현재 상태 정보는 보상(reward) 신호를 포함하기 때문에 강화학습을 지도 학습과 관련된 분야로 생각 할 수 있다. 강화 학습은 보상 함수로 얼마나 행동이 좋은지를 측정한 값이다. 대표적인 예는 체스게임.

• 에이전트(agent): 학습하는 시스템, 상태를 관찰하고 행동을 선택, 목표지향
• 환경(environment): 에이전트를 제외한 나머지
• 상태(state): 상황 정보
• 행동(action): 현재 상태에서 에이전트가 하는 것
• 보상(reward): 행동의 좋고 나쁨을 알림, 부정적인 보상을 벌점(penalty)이라 하기도 함.
• 정책(policy): 최상의 전략, 학습을 거치면서 끊임없이 변화 강화 학습은 다음과 같은 방식으로 진행됩니다.

1. 에이전트는 환경에서 자신의 상태를 관찰
2. 정책에 따라 행동을 선택
3. 선택한 행동을 환경에서 실행
4. 환경으로부터 다음 상태와 보상을 받음
5. 보상을 최대화하는 방향으로 정책을 수정(학습단계)
6. 최적의 정책을 찾을 때까지 위 과정을 반복

1-3. 비지도 학습

비지도 학습은 레이블되지 않거나 구조를 알 수 없는 데이터를 다룹니다. 비지도 학습 기법을 사용하면 알려진 출력 값이나 보상 함수의 도움을 받지 않고 의미 있는 정보를 추출하기 위해 데이터구조를 탐색 할 수 있습니다.

1-3-1. 군집

군집(clustering)은 사전 정보 없이 쌓여 있는 그룹 정보를 의미 있는 서브그룹(subgroup) 또는 클러스터(cluster)로 조직하는 탐색적 데이터 분석 기법이다. 아래의 그림은 군집이 어떻게 레이블 되지 않은 데이터를 특성 dim1과 dim2의 유사도를 기반으로 세개의 개별적인 그룹으로 조직화 하는지 보여줍니다.

1-3-2. 차원 축소

고차원의 데이터를 다루어야 하는 경우는 흔합니다. 즉, 하나의 관측 샘플에 많은 측정 지표가 있습니다.

이로인해 머신러닝 알고리즘의 계산 성능과 저장 공간의 한계에 맞닥뜨릴 수 있습니다.

비지도 차원 축소는 잡음(noise) 데이터를 제거하기 위해 특성 전처리 단계에서 종종 적용하는 방법 입니다.

차원 축소는 관련 있는 정보를 대부분 유지하면서 더 작은 차원의 부분공간(subspace)로 데이터를 압축 합니다.

데이터 시각화에도 유용하며, 예를들어 고차원의 특성을 1차원 또는 2차원, 3차원 특성 공간을 투영하여 산점도나, 히스토그램을 시각화 합니다.

이상으로 머신러닝의 세가지 종류에 대해서 알아 보았습니다.