특정 값을 예측하기 위한 수단의 머신러닝: 수치 예측(Numerical Prediction), 범주 예측(Categorical Prediction)

calico·2025년 4월 4일

목록 보기

10/186

Machine Learning 은 주어진 X와 Y데이터를 이용하여 모델 F(x)를 추론하는 과정이라고 배웠다.

그렇게 모델 F(x)를 추론하고 나면 새로운 데이터 X가 주어졌을 때, 모델에 입력 X를 넣어서 출력 Y값을 예측 할 수 있다.

결국 Machine Learning은 특정 값을 예측하기 위한 수단으로 사용할 수 있다는 뜻이다.

1. 수치 예측 (Numerical Prediction)

수치 예측은 연속적인 값(숫자)을 예측하는 문제로, 회귀(Regression) 분야와 크게 관련되어 있습니다.
- "회귀(Regression)"는 수치 예측 문제에서 데이터를 기반으로 연속적인 값(숫자)을 예측하거나 모델링하는 방법을 의미합니다.
  - 이 용어는 통계학에서 처음 사용되었으며, 머신러닝이나 데이터 분석에서도 같은 맥락으로 사용됩니다.
예측 결과는 주로 실수(float) 또는 정수(int) 데이터 타입으로 표현됩니다.

특징

출력 값이 연속형(Continuous)
- 예측 값이 연속된 숫자 범위 안에 있을 수 있습니다.
- 예를 들면: 3.52, 100.78, 2500 등.

대표적 모델/기법
- 선형회귀(Linear Regression)
- 다항회귀(Polynomial Regression)
- 결정트리 회귀(Decision Tree Regressor)
- 랜덤 포레스트 회귀(Random Forest Regressor)
- XGBoost, LightGBM
- 신경망 (Neural Networks, 특히 회귀용 구조)

평가 지표
- 수치 예측 모델의 성능은 오차 기반 지표로 평가합니다. 대표적인 지표는 다음과 같습니다.
  - 평균 제곱 오차(MSE, Mean Squared Error)
  - 평균 절대 오차(MAE, Mean Absolute Error)
  - 평균 제곱근 오차(RMSE, Root Mean Squared Error)
  - 결정 계수(R²)

예제

주택 가격 예측: 특정 지역에서 집값을 예측 (연속적인 금액 예측)
날씨 예측: 내일의 기온, 강수량, 습도를 예측
판매량 예측: 특정 제품의 일간/월간 판매량

2. 범주 예측 (Categorical Prediction)

범주 예측은 데이터가 속할 특정 카테고리(범주)를 예측하는 문제로, 분류(Classification)에 해당됩니다.
출력 값은 이산형(Discrete)으로 제한된 범주(클래스) 중 하나를 선택해야 합니다.

특징

출력 값이 이산형(Discrete)
- 예측 값이 사전 정의된 클래스(범주) 중 하나로 나타납니다.
- 예를 들면: "고양이", "개", "새" 또는 "정상", "이상".
범주의 종류
- 이진 분류(Binary Classification): 출력 값이 두 가지인 경우 (예: 스팸/정상 이메일).
- 다중 분류(Multi-class Classification): 클래스가 셋 이상인 경우 (예: 개/고양이/새).
대표적 모델/기법
- 로지스틱 회귀(Logistic Regression)
- 의사결정나무(Decision Tree)
- 랜덤 포레스트(Random Forest Classifier)
- 서포트 벡터 머신(SVM)
- k-최근접 이웃 알고리즘(k-NN)
- 신경망(Neural Networks)
- 딥러닝 CNN/RNN

평가 지표
- 범주 예측의 성능은 다음 주요 지표로 평가합니다.
  - 정확도(Accuracy): 전체 정답 예측 비율.
  - 정밀도(Precision): 양성으로 예측한 값의 정확성.
  - 재현율(Recall): 실제 양성 값을 얼마나 잘 예측했는지.
  - F1 점수(F1-Score): 정밀도와 재현율의 조화 평균.
  - ROC-AUC: 모델의 분류 성능을 시각적으로 나타냄.

예제

스팸 이메일 분류: 이메일이 스팸인지 아닌지 분류
이미지 분류: 개/고양이/새 이미지 분류
질병 진단: 환자가 질병에 걸렸는지 여부를 예측
고객 이탈 분석: 고객이 이탈할지, 남을지를 예측

3. 수치 예측과 범주 예측의 차이점

특징	수치 예측 (Numerical Prediction)	범주 예측 (Categorical Prediction)
출력 값	연속적인 값 (숫자)	특정 범주 (예: 클래스)
유형	회귀 문제 (Regression)	분류 문제 (Classification)
모델/기법	선형 회귀, 랜덤 포레스트 회귀 등	로지스틱 회귀, 의사결정나무, SVM 등
평가 지표	MSE, MAE, R²	정확도, 정밀도, 재현율, F1 점수 등
적용 예	주택 가격 예측, 날씨 예측, 판매량 예측	이메일 스팸 필터, 이미지 분류, 질병 진단

4. 통합 예제: 수치 예측과 범주 예측

예시 데이터셋
- 같은 데이터셋도 문제 설정에 따라 달라질 수 있습니다.

수치 예측 문제

데이터
- 특징(Feature): 면적 (m²), 방 개수, 위치
- 타겟(Target): 주택 가격($) (연속형 값)

목표
- 집값을 숫자로 예측 (예: $350,000).

모델
- 선형 회귀, 랜덤 포레스트 회귀 등

범주 예측 문제

데이터
- 특징(Feature): 면적 (m²), 방 개수, 위치
- 타겟(Target): 주택의 가격 등급 (카테고리: "저가", "중가", "고가")
목표
- 집이 "저가/중가/고가" 중 어디에 속하는지 분류.
모델
- 로지스틱 회귀, SVM, 랜덤 포레스트 분류 등