[ML] ML 모델링 프로세스, ML 알고리즘 종류

이전 글까지 머신러닝의 개요를 보았다. 이제부터는 하나씩 구체적으로 정리해보려고 한다. 그 이전에 지금까지 정리했던 ML 모델링과 프로세스에 대해서 간단하게 정리했다. 그리고서 앞으로 정리할 머신러닝의 종류들에 대해서 정리했다.

 

 

ML 모델링(Modeling) 이란?

머신러닝 모델링이란,

X와 Y가 주어졌을 때 이들의 관계를 잘 설명해주는 Function, Algorithm을 컴퓨터를 통해 찾는 것이다.

머신러닝의 프로세스

머신러닝 모델을 모델링하게 위해는 아래와 같은 프로세스를 거쳐야 한다. 아래서 정리한 머신러닝 알고리즘들을 배울 때 이 프로세스에 맞춰 정리할 예정이다.

 

 

머신러닝의 종류

 

어떤 형태의 데이터가 주어지는 지에 따라 다음과 같이 분류된다.

●  지도학습

    - 정답(Label)이 있는 데이터로 학습

    - 모델은 입력과 출력의 관계를 학습하여 새로운 입력에 대한 출력 예측

 

●  비지도 학습

    - 정답 없이 입력 데이터만 제공

     - 데이터 내부의 숨겨진 패턴이나 구조를 발견

 

 

●  강화학습

    - 정답 대신 보상을 기반으로 학습

     - 에이전트가 환경과 상호작용하며 최적의 행동(정책)을 학습

---

머신러닝 알고리즘 분류

 

●  지도학습

    1) 회귀(Regression)

        - 입력값: 연속값(실수형), 이산값(범주형) 등 모두 가능

        - 출력값: 연속값 

        - 모델 형태: 일반적인 함수 형태 (e.g. y=w1x+w0)

  

    2) 분류(Classification)

        - 입력값: 연속값(실수형), 이산값(범주형) 등 모두 가능

        - 출력값: 이산값 

        - 모델 형태: 이진 분류 -> 시그모이드 함수, 다중 분류 -> 소프트맥수 함수

 

 

●  비지도학습

    1) 클러스터링(Clustering)

        - 목표: 비슷한 데이터를 같은 그룹(cluster)로 묶음

        - 정답(label)이 없기 때문에 그룹의 수나 기준은 사람이 설정

  

    2) 차원 축소 (Dimensionality Reduction)

        - 목표: 많은 특성(Feature)을 가진 데이터를 더 적은 수의 특성으로 변환

        - 정보 손실을 최소화하면서 데이터의 구조를 유지

        - 예시: 데이터 시각화, 고차원 데이터 전처리, 노이즈 제거

 

    3) 연관 분석 (Association Rule Learning)

        - 목표: 데이터 내에서 항목 간의 연관 규칙 찾기

        - 정보 손실을 최소화하면서 데이터의 구조를 유지

        - 예시: 장바구니 분석, 추천 시스템