https://www.youtube.com/watch?v=E0Hmnixke2g
<aside> 🔥 주요 머신 러닝 알고리즘 개요: 지도 학습은 입력과 정답으로 회귀(연속값)와 분류를, 비지도 학습은 레이블 없이 데이터 구조를 찾는 클러스터링을 다룹니다. 대표적 알고리즘으로 선형 회귀·로지스틱 회귀·SVM과 커널·KNN·나이브 베이즈·의사결정 트리가 있으며, 앙상블(랜덤 포레스트·부스팅)과 딥러닝·PCA와 K-평균도 함께 소개됩니다.
</aside>
A1. SVM은 데이터 포인트를 가능한 한 크게 구분하는 경계인 마진을 최대화하는 알고리즘입니다. 커널은 비선형 데이터를 고차원으로 매핑해 선형 분리를 가능하게 하는 트릭입니다.
A2. K는 데이터 구조를 얼마나 세분화할지 결정합니다. 최적의 K를 찾으려면 엘보 방법 같은 실용적 기법이 필요합니다.
A3. 주성분은 데이터의 분산이 가장 큰 방향으로 데이터를 선형 결합해 축을 재배치합니다. 이로써 차원 축소를 통해 정보를 최대한 보존합니다.
A4. 지도 학습은 데이터에 실제 레이블이 있어 이를 학습하고 예측합니다. 비지도 학습은 레이블이 없어 데이터 구조를 찾는 데 집중합니다.
일반적으로 머신 러닝은 데이터에 정답 레이블이 있는 경우를 다루는 지도 학습과 레이블이 없는 데이터를 이용해 구조를 찾는 비지도 학습으로 나뉩니다. 지도 학습에서 목표 변수는 연속 값인 경우를 다루는 회귀와 이산 범주형 레이블을 예측하는 분류로 구분되며, 비지도 학습은 데이터 포인트 간의 관계를 파악하고 기본 구조를 도출하는 데 주로 사용됩니다. 이 구분은 새로운 데이터에 대해 이미 알려진 정답(레이블)이 있는지 여부에 따라 결정되며, 예로 집가치를 예측하는 회귀나 이메일의 스팸 여부를 구분하는 분류가 있습니다.
가장 기본적인 예인 선형 회귀는 입력 변수와 출력 간의 선형 관계를 최적의 직선으로 설명하고, 잔차의 제곱합을 최소화해 예측 오차를 줄입니다. 반면 로지스틱 회귀는 출력으로 연속값이 아니라 특정 클래스의 확률을 제공하는 시그모이드 함수를 사용해 이진 또는 다중 분류를 수행합니다. 로지스틱 회귀는 입력 값의 선형 결합에 시그모이드 함수를 적용해 각 클래스의 확률을 반환하고, 이 확률에 바탕해 분류 결정을 내립니다. 예를 들어 키와 몸무게를 통해 성별을 예측하는 문제에서 선형 회귀는 적합하지 않을 수 있으며, 로지스틱 회귀는 확률적 판단을 통해 클래스를 결정하는 데 더 적합합니다.