지도형 기계 학습

지도형 기계 학습이란?

기계 학습의 핵심 패러다임인 지도형 학습에서는 레이블이 지정된 데이터를 통해 학습된 알고리즘에 따라 예측 또는 결정이 진행됩니다. 이 과정에는 데이터 수집 및 전처리로 시작하여 모델 교육, 테스트, 배포로 이어지는 중요한 단계가 포함됩니다. 각 단계는 다양한 실제 응용 분야를 위한 효과적인 모델의 개발 및 배포에서 중요한 역할을 합니다.

• 데이터 수집 및 처리: ML 모델이 데이터를 효율적으로 처리할 수 있도록 많은 양의 원시 데이터를 다듬고 수정해야 합니다. 일반적으로 데이터 분석가 또는 데이터 과학자가 데이터를 살펴보고 누락된 부분을 확인하며 데이터에 더 많은 컨텍스트가 필요한지 또는 ML 모델을 보완하기 위해 데이터를 추가해야 하는지를 판단합니다.
• 교육 과정: 기계 학습 알고리즘에 데이터 세트가 제공되면 이를 학습하여 패턴, 다른 지역 데이터와의 연관성, 입력 내용과 출력 레이블 간 관계를 식별합니다. 알고리즘은 입력 내용을 출력 레이블에 매핑하는 최적의 수학적 함수를 찾기 위해 내부 매개변수를 조정합니다. 데이터 과학자는 첫 번째 반복을 검토하고 모델 테스트 준비가 완료될 때까지 이 과정을 조정합니다.
• 모델 테스트: 기계 학습 알고리즘을 조정한 후에 새로운 데이터 또는 보지 못한 데이터에 대한 테스트를 시작하여 교육 단계와 유사하거나 일관된 결과가 나오는지 확인합니다. 출력이 원하는 수준보다 낮다면 데이터 과학자가 일관된 결과가 도출될 때까지 알고리즘을 조정하거나 해당 과정을 다시 시작해야 합니다.

모델 실행: 일관된 결과를 얻은 후에는 비즈니스에 들어오는 새로운 데이터에 대해 모델을 배포하고 새로운 결과 예측, 예산 또는 수익 예측, 다음 동향 관찰 등에 사용합니다. 

분류: 분류는 알고리즘이 입력 내용을 바탕으로 데이터를 사전 정의된 클래스 또는 카테고리로 분류하는 지도형 학습의 한 유형으로, 레이블이 지정된 교육 데이터를 학습한 후에 보지 못한 새로운 데이터 포인트의 클래스 레이블을 예측합니다.

업종:

• 의료: 질병 진단을 위한 의료 이미지 분류
• 금융: 부정행위 감지를 위한 트랜잭션 카테고리 분류
• 전자 상거래: 타겟 마케팅을 위한 고객 그룹화

회귀: 회귀는 입력 내용과 출력 변수의 관계를 바탕으로 연속적인 숫자 값을 예측하는 지도형 학습 기술로, 레이블이 지정된 교육 데이터를 학습하여 이러한 관계를 예측하고 새로운 데이터에 대한 예측 결과를 제공합니다.

업종:

• 부동산: 자산의 특징을 바탕으로 주택 가격 예측
• 의료: 치료를 바탕으로 환자의 회복 시간 예측
• 에너지: 리소스 계획을 위한 전력 소비 예측