지도 학습 vs 비지도 학습 정리

머신러닝은 크게 지도 학습(Supervised Learning)과 비지도 학습(Unsupervised Learning)으로 나뉜다.
이 둘의 차이는 정답(label)의 유무에 있다.

---

1. 지도 학습 (Supervised Learning)

정답(label)이 있는 데이터를 학습하여 결과를 예측하는 방식

1) 분류 (Classification)

데이터를 특정 카테고리로 나누는 문제

• Logistic Regression
• Decision Tree (Classifier)
• Random Forest (Classifier)
• Support Vector Machine (SVM)
• K-Nearest Neighbors (KNN)
• Naive Bayes
• Neural Network (DNN, CNN 등)

---

2) 회귀 (Regression)

연속적인 값을 예측하는 문제

• Linear Regression
• Polynomial Regression
• Ridge / Lasso Regression
• Decision Tree (Regressor)
• Random Forest (Regressor)
• Support Vector Regression (SVR)

---

3) 기타 (고급 기법)

성능을 높이기 위한 방법들

• Gradient Boosting (XGBoost, LightGBM, CatBoost)
• Ensemble Learning (Bagging, Boosting, Stacking)

---

2. 비지도 학습 (Unsupervised Learning)

정답 없이 데이터의 구조나 패턴을 찾는 방식

1) 군집화 (Clustering)

비슷한 데이터끼리 그룹을 만드는 방법

• K-Means
• Hierarchical Clustering
• DBSCAN
• Gaussian Mixture Model (GMM)

---

2) 차원 축소 (Dimensionality Reduction)

데이터의 특징을 줄이면서 중요한 정보만 남기는 방법

• PCA (Principal Component Analysis)
• t-SNE
• UMAP

---

3) 밀도 추정 / 분포 모델링

데이터의 분포를 추정하는 방법

• Kernel Density Estimation (KDE)
• Gaussian Mixture Model (GMM)

---

4) 연관 규칙 학습 (Association Rule Learning)

데이터 간의 관계를 찾는 방법

• Apriori Algorithm
• FP-Growth

---

5) 이상 탐지 (Anomaly Detection)

정상과 다른 특이 데이터를 찾는 방법

• Isolation Forest
• One-Class SVM
• Local Outlier Factor (LOF)

---

3. 한눈에 비교

구분	지도 학습	비지도 학습
데이터	정답 있음	정답 없음
목적	예측	패턴 발견
대표 문제	분류, 회귀	군집, 차원 축소

---

4. 직관적으로 이해하기

• 지도 학습: 문제와 정답을 같이 학습하는 방식
• 비지도 학습: 정답 없이 데이터의 규칙을 스스로 찾는 방식

---

5. 핵심 정리

• 지도 학습은 정확한 예측이 목표
• 비지도 학습은 데이터 구조 이해가 핵심
• 실무에서는 두 방법을 함께 사용하는 경우가 많다

---