• 목차

0. 머신러닝이란 무엇일까요?

0.1. 머신러닝은 새로운 프로그래밍 패러다임입니다.

• 데이터를 보고 미래의 사건을 예측한다고 생각해 봅시다.
  • 기존 프로그래밍은 인간이 데이터를 살펴보고, 통계적으로 분석하고, 예측을 위한 규칙을 고안하고, 컴퓨터는 인간이 만든 규칙에 따라 예측을 위한 계산만을 수행했습니다.
  • 머신러닝은 데이터와 답을 넣어 주고, 컴퓨터가 데이터와 답 간의 규칙을 찾아 예측 모델을 생성하도록 합니다.
• 왜 머신러닝이 좋은가요?

0.2. 머신러닝의 구성 요소

• 머신러닝이 완전히 인간의 개입으로부터 자유로운 것은 아닙니다.

  • 머신러닝에서는 컴퓨터가 데이터 간의 관계를 파악하기 위한 규칙을 정해 줘야 합니다.

• 모델 설정 - ‘데이터들이 이런 관계를 가질 것이다’라는 가설

  모델	가정
  선형 모델	데이터의 각 피쳐들과 정답이 선형 관계
  트리 모델	정답이 데이터 각 피쳐들에 대한 Yes/No 판단의 결과로 구성(https://ko.wikipedia.org/wiki/결정_트리)
  딥러닝 모델	데이터의 각 피쳐들과 정답이 아주 복잡한 비선형 관계

• 모델을 학습하는 방법 설정

  • 이는 대개 1. ‘모델의 예측과 결과가 얼마나 잘못되었는지'를 수식으로 정의하고(비용 함수), 2. 이 값을 줄이는 방향으로 모델을(모델의 하위 규칙/가중치 등) 최적화하는 알고리즘을 설정하는 방식으로 구성됩니다.

  모델	비용 함수	최적화 알고리즘
  선형 모델	MSE	해석적 방법
  경사하강 알고리즘
  트리 모델	불순도 / 엔트로피	탐욕적 알고리즘
  딥러닝 모델	(모델별로 다양)	경사하강 알고리즘

  • 고전적 머신러닝에서는 모델별로 비용 함수와 최적화 알고리즘이 많지 않은 선택지 내에서 정해져 있는 경우가 많습니다.
  • 딥러닝에서는 비용 함수를 손실 함수라고도 부르며, Task에 맞게 다양하게 설정할 수 있습니다. 최적화 알고리즘 또한 경사하강법 내에서 선택할 수 있습니다(SGD, Adam...).

0.3. 머신러닝 모델의 평가

0.3.1. 평가 지표 - 회귀

• 평가 지표는 문제의 특성에 맞게 선택해서 사용해야 합니다.
  • 하나의 문제에 하나의 평가지표만을 사용하는 경우는 드뭅니다. 따라서 각 평가지표의 특성에 대해서도 이해하고 있으면 문제에 대한 모델의 예측 경향성 파악에 도움이 됩니다.

• MSE는 미분 가능하여 비용 함수로 가장 흔하게 사용됩니다. 하지만 제곱을 취하여 이상치에 민감합니다.
• RMSE는 MSE에 루트를 씌워, 이상치에 상대적으로 덜 민감합니다.
• MAE는 절대오차의 평균으로, 직관적으로 이해하기 쉬워 선호됩니다.
• R^2는 모델이 데이터들을 얼마나 잘 설명하는지를 보여줍니다.