머신러닝(Machine Learning)알고리즘은 기계를 어떻게 학습시키는 것일까?
머신러닝에서 기계를 학습시키는 방법에는 크게 지도학습(Supervised Learning)과 비지도학습(Unsupervised Learning)이 있다.
먼저 지도학습(Supervised Learning)이란 입력 X와 정답 y가 함께 주어진다. 모델은 X와 y의 관계를 학습하여 보지 못한 데이터가 주어졌을 때에도 정답을 예측하도록 하는 학습이다. 주로 설계한 손실함수 J(θ)를 최소화하도록 파라미터 θ를 최적화하는 모델을 사용한다. 지도학습의 대표적인 문제 유형에는 분류(Classification)와 회귀(Regression)문제가 있다.
지도학습의 장점으로는 목표(정해져 있는 정답을 맞추는 것)가 명확하여 성능 평가가 쉽고, 실세 서비스에 바로 쓰기 좋다는 것이다. 그러나, 데이터 전처리와 라벨링을 굉장히 섬세하게 해줘야 모델이 성능을 제대로 발휘할 수 있다는 단점이 있다. (데이터 누수, 클래스 불균형 등의 문제 발생)
다음으로 비지도학습(Unsupervised Learning)이란 입력 X만 존재하고 정답이 없는 경우에 모델이 데이터 안에서 구조, 패턴을 스스로 발견해서 결과를 도출하는 것이다. 대표 문제 유형에는 군집화(Clustering), 차원 축소(Dimesionality Reduction), 이상치 탐지(Anomaly Detection)가 있다.
비지도학습의 장점으로는 라벨링 작업이 불필요하여 데이터만 많으면 바로 진행할 수 있으며, 데이터 속에 숨어있는 규칙들을 발견하여 관계성을 추론하는 데에 도움을 준다는 것이다. 그러나 도출되는 결과가 인과성을 나타내지는 않기 때문에 해석에 있어서 어려움이 있고, 해당 결과가 맞는 답인지 평가하는 것이 어렵다는 단점이 있다.
이미지 출처:
https://www.simplilearn.com/regression-vs-classification-in-machine-learning-article
https://pythongeeks.org/clustering-in-machine-learning
