분류(Classification) 완전 정복: 머신러닝의 핵심 개념

분류란?

분류(Classification)는 머신러닝에서 입력 데이터를 사전에 정의된 클래스(label) 중 하나로 분류하는 문제입니다.

• 예측 결과가 범주형(categorical)일 때 적용
• 예: 이메일 → "스팸" 또는 "일반"

---

분류의 대표 예시

문제	입력 데이터 예	출력 라벨 (클래스)
이메일 분류	이메일 본문 텍스트	스팸 or 일반
암 진단	유방암 관련 수치	양성 or 음성
손글씨 숫자 인식	이미지 픽셀값	0~9 중 하나
뉴스 기사 분류	기사 텍스트	정치, 경제, 연예, 스포츠 등
고객 이탈 예측	나이, 계약 기간 등	이탈 or 유지

---

분류의 종류

1. 이진 분류 (Binary Classification)

• 두 개의 클래스 중 하나를 예측
• 예: 0 or 1, 예 or 아니오, True or False

2. 다중 클래스 분류 (Multiclass Classification)

• 세 개 이상의 클래스 중 하나를 예측
• 예: 손글씨 숫자 (0~9), 질병 종류 (A, B, C)

3. 다중 레이블 분류 (Multilabel Classification)

• 한 샘플이 여러 클래스를 동시에 가질 수 있음
• 예: 영화 → 액션 + SF + 로맨스

---

지도학습과의 관계

분류는 지도학습(Supervised Learning)의 대표적인 형태입니다.
즉, 입력(X)과 출력(Y)의 짝이 있는 학습을 의미해요.

---

분류 알고리즘 종류

알고리즘	설명	장점
로지스틱 회귀	확률 기반 이진/다중 분류	빠르고 해석 쉬움
결정 트리	조건 분기 구조	시각화 가능
KNN	가장 가까운 이웃 기반	간단하고 직관적
SVM	결정 경계 최대화	고차원 분류에 강함
나이브 베이즈	조건부 확률 기반	빠르고 가벼움
랜덤 포레스트	트리 앙상블	높은 정확도
신경망(CNN, RNN 등)	복잡한 패턴 분류	이미지, 텍스트에 강함

---

scikit-learn 예시 (이진 분류)

from sklearn.datasets import load_breast_cancer
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import accuracy_score

X, y = load_breast_cancer(return_X_y=True)
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)

model = LogisticRegression(max_iter=1000)
model.fit(X_train, y_train)

y_pred = model.predict(X_test)
print("정확도:", accuracy_score(y_test, y_pred))

---

분류 성능 평가 지표

지표	설명
Accuracy	전체 중 맞춘 비율
Precision	양성 예측 중 실제 양성 비율
Recall	실제 양성 중 맞춘 비율
F1 Score	정밀도와 재현율의 조화 평균
ROC-AUC	이진 분류에서의 전체 성능 평가 지표
Confusion Matrix	예측/실제 조합을 시각적으로 표시

---

분류 vs 회귀 차이

항목	분류	회귀
출력 값	범주형 (클래스)	연속형 수치
예	고양이 vs 개, 긍정 vs 부정	집값, 온도 예측
평가 지표	Accuracy, F1 등	MSE, RMSE, R2 등
주요 함수	시그모이드, 소프트맥스	항등 함수

---

요약 정리

개념	설명
분류	범주형 결과 예측 문제
이진 분류	두 클래스 중 하나 예측
다중 분류	세 개 이상 클래스 중 하나
다중 레이블	여러 클래스에 동시에 속함
주요 알고리즘	로지스틱 회귀, SVM, 트리, 신경망
평가 지표	정확도, 정밀도, 재현율, F1 등

분류는 머신러닝의 가장 널리 쓰이는 기본 문제 유형 중 하나입니다.
텍스트 분석, 이미지 인식, 바이너리 판단 등 거의 모든 분야에서 활용됩니다!

---

결론

분류(Classification)는 머신러닝에서 가장 기본적이면서도 강력한 도구입니다.
실생활에 가장 많이 적용되는 분야이기도 하며, 알고리즘 선택과 평가 지표 이해가 중요합니다.

• 단순한 로지스틱 회귀부터 복잡한 신경망까지 다양한 방식이 존재하며,
• 문제의 성격(이진/다중/다중 레이블)에 따라 접근 방식도 달라집니다.
• 올바른 데이터 전처리와 하이퍼파라미터 튜닝이 좋은 분류 모델을 만듭니다.

---

감사합니다.

바이브코딩부터 머신러닝까지 인공지능에 조금 더 알아가는 코딩 입문자 드림