Machine Learning (머신 러닝)의 Supervised Learning의 정의와 용어

Machine Learning (머신 러닝)

데이터를 이용해여 데이터 특성과 패턴을 학습하여, 그 결과를 바탕으로 미지의 데이터에 대한 그것의

미래 결과(값, 분포)를 예측

※ Data Mining(데이터 마이닝) : 데이터간의 상관관계나 속성을 찾는 것이 주목적

 

머신러닝으로 할 수 있는 것

• 편지봉두에 손으로 적은 우편번호 숫자 자동 판별
• 의료 영상 이미지에 기반한, 종양 판단
• 의심되는 신용카드 거래 감지
• 블로그 글의 주제 분류
• 고객들을 취향이 비슷한 그룹으로 묶기

Supervised Learning

예를들어 우리는 Iris꽃의 꽃잎의 길이와 넓이, 꽃받침의 길이와 넓이 데이터를 가지고 있습니다.

이 데이터를 가지고, Iris꽃의 품종을 분류할 수 있는 분류기를 만듭니다.

따라서, 새로운 꽃잎의 길이와 넓이, 꽃받침의 길이와 넓이에 대한 데이터를 입력하면, 이 꽃이 어떤 품종인지 분석이

가능합니다.

이렇게 분류할 수 있는 분류기(Classifier)를 만들기 위해서는 데이터가 필요하며, 학습을 하기 위해서는, 데이터 뿐만

아니라, 품종이라는 결과를 학습 시키기 위해서, 데이터와 매핑된 품종 데이터도 함께 필요합니다.

즉, 품종에 대한 데이터를 Lable 이라고 합니다.

이러한 레이블이 있는 데이터를 학습시키는 것이 지도학습(Supervised Learning)이라고 합니다.

 

 

Supervised Learning의 두가지 문제 해결 방법! Regression(회귀)과 Classification(분류)

 

Regression

• 예) 어떤 사람의 교육수준, 나이, 주거지를 바탕으로 연간 소득을 예측하는 것
• 예) 옥수수 농장에서 전년도 수확량과 날씨, 고용 인원수 등으로 올해 수확량을 예측하는 것

 

Classification

• 예) 웹사이트가 어떤 언어로 되어있는가
• 예) 사진을 보고, 고양이인지 강아지인지 소인지 분류

 

Training 과 Test

훈련이란, 데이터를 입력하고, 그 결과인 레이블이 나오도록 만드는 과정

즉, 데이터와 레이블을 통해 학습을 시키는 과정입니다.

 

테스트란, 학습이 완료된 분류기에, 학습에 사용하지 않은 데이터를 넣어서, 정답을 맞추는지 확인하는 작업입니다.

 

Generalization (일반화)

모델이 처음 보는 데이터에 대해 정확하게 예측할 수 있으면 이를 훈련 세트에서 테스트 세트로 일반화 되었다고 함.

 

Overfiting (과대적합) / Underfiting (과소적합)

Overfiting(과대적합)이란 학습한 결과가, 학습에 사용된 데이터와 거의 일치하여, 새로운 데이터가 들어왔을때, 예측이 틀리는 상태

새로운 데이터에 일반화되기 어렵다

 

Underfiting(과소 적합)은 그 반대입니다.

 

 

성능측정