머신러닝 용어집: ML 기초

이 페이지에는 ML 기초 용어집 용어가 포함되어 있습니다. 모든 용어집 용어는 여기를 클릭하세요.

A

정확성

#fundamentals

올바른 분류 예측 수를 총 예측 수로 나눈 값입니다. 이는 다음과 같은 의미입니다.

$$\text{Accuracy} = \frac{\text{correct predictions}} {\text{correct predictions + incorrect predictions }}$$

예를 들어 올바른 예측 40개와 잘못된 예측 10개를 한 모델의 정확도는 다음과 같습니다.

$$\text{Accuracy} = \frac{\text{40}} {\text{40 + 10}} = \text{80%}$$

이진 분류는 올바른 예측과 잘못된 예측의 다양한 카테고리에 관한 구체적인 이름을 제공합니다. 따라서 이진 분류의 정확성 수식은 다음과 같습니다.

$$\text{Accuracy} = \frac{\text{TP} + \text{TN}} {\text{TP} + \text{TN} + \text{FP} + \text{FN}}$$

각 항목의 의미는 다음과 같습니다.

• TP는 참양성 (올바른 예측)의 수입니다.
• TN은 참음성 (올바른 예측)의 수입니다.
• FP는 거짓양성 (잘못된 예측)의 수입니다.
• FN은 거짓음성 (잘못된 예측)의 수입니다.

정확성을 정밀도 및 재현율과 비교 및 대조합니다.

정확도 및 클래스 불균형 데이터 세트에 관한 세부정보를 보려면 아이콘을 클릭하세요.

정확도는 경우에 따라 유용한 측정항목이지만 경우에 따라 매우 혼동을 줄 수 있습니다. 특히 정확도는 일반적으로 클래스 불균형 데이터 세트를 처리하는 분류 모델을 평가하는 데 적합하지 않은 측정항목입니다.

예를 들어 특정 아열대 도시에 100년에 25일만 눈이 내린다고 가정해 보겠습니다. 눈이 내리지 않은 날 (음성 클래스)이 눈이 내린 날 (양성 클래스)보다 훨씬 많으므로 이 도시의 눈 데이터 세트는 클래스 불균형 상태입니다. 매일 눈이 내릴지 내리지 않을지 예측해야 하지만 매일 '눈이 내리지 않음'만 예측하는 이진 분류 모델을 생각해 보세요. 이 모델은 매우 정확하지만 예측력이 없습니다. 다음 표에는 100년 동안의 예측 결과가 요약되어 있습니다.

카테고리	숫자
TP	0
TN	36499
FP	0
FN	25

따라서 이 모델의 정확도는 다음과 같습니다.

accuracy = (TP + TN) / (TP + TN + FP + FN)
accuracy = (0 + 36499) / (0 + 36499 + 0 + 25) = 0.9993 = 99.93%

99.93% 의 정확성은 매우 인상적인 비율로 보이지만 실제로는 모델의 예측 성능이 없습니다.

정밀도 및 재현율은 일반적으로 클래스 불균형 데이터 세트에서 학습된 모델을 평가하는 데 정확성보다 유용한 측정항목입니다.

---

자세한 내용은 머신러닝 단기집중과정의 분류: 정확성, 재현율, 정밀도, 관련 측정항목을 참고하세요.

활성화 함수

#fundamentals

신경망이 특성과 라벨 간의 비선형 (복잡한) 관계를 학습할 수 있도록 하는 함수입니다.

많이 사용되는 활성화 함수는 다음과 같습니다.

• ReLU
• Sigmoid

활성화 함수의 그래프는 단일 직선이 아닙니다. 예를 들어 ReLU 활성화 함수의 그래프는 두 개의 직선으로 구성됩니다.

시그모이드 활성화 함수의 그래프는 다음과 같습니다.

아이콘을 클릭하여 예를 확인하세요.

신경망에서 활성화 함수는 뉴런에 대한 모든 입력의 가중치가 적용된 합계를 조작합니다. 가중치 합계를 계산하기 위해 뉴런은 관련 값과 가중치의 곱을 더합니다. 예를 들어 뉴런에 대한 관련 입력이 다음으로 구성된다고 가정해 보겠습니다.

입력 값	입력 가중치
2	-1.3
-1	0.6
3	0.4

따라서 가중치 합계는 다음과 같습니다.

weighted sum = (2)(-1.3) + (-1)(0.6) + (3)(0.4) = -2.0

이 신경망의 설계자가 시그모이드 함수를 활성화 함수로 선택한다고 가정해 보겠습니다. 이 경우 뉴런은 -2.0의 시그모이드를 계산하여 약 0.12를 얻습니다. 따라서 신경망의 다음 레이어에 -2.0이 아닌 0.12를 전달합니다. 다음 그림은 프로세스의 관련 부분을 보여줍니다.

---

자세한 내용은 머신러닝 단기집중과정에서 신경망: 활성화 함수를 참고하세요.

인공지능

#fundamentals

인간이 아닌 프로그램 또는 정교한 작업을 해결할 수 있는 모델입니다. 예를 들어 텍스트를 번역하는 프로그램이나 모델 또는 방사선 이미지에서 질병을 식별하는 프로그램이나 모델은 모두 인공지능을 보여줍니다.

엄밀히 말해 머신러닝은 인공지능의 하위 분야입니다. 그러나 최근 몇 년 동안 일부 조직에서는 인공지능과 머신러닝이라는 용어를 상호 교환하여 사용하기 시작했습니다.

AUC (ROC 곡선 아래 영역)

#fundamentals

이진 분류 모델이 양성 클래스를 음성 클래스에서 분리하는 능력을 나타내는 0.0과 1.0 사이의 숫자입니다. AUC가 1.0에 가까울수록 모델이 클래스를 서로 구분하는 기능이 우수합니다.

예를 들어 다음 그림은 양성 클래스 (녹색 타원)를 음성 클래스(보라색 직사각형)와 완벽하게 구분하는 분류 모델을 보여줍니다. 이 비현실적으로 완벽한 모델의 AUC는 1.0입니다.

반대로 다음 그림은 무작위 결과를 생성한 분류 모델의 결과를 보여줍니다. 이 모델의 AUC는 0.5입니다.

예. 위의 모델의 AUC는 0.0이 아닌 0.5입니다.

대부분의 모델은 두 극단 사이 어딘가에 있습니다. 예를 들어 다음 모델은 양성과 음성을 어느 정도 구분하므로 AUC가 0.5~1.0 사이입니다.

AUC는 분류 임곗값에 설정된 값을 무시합니다. 대신 AUC는 가능한 모든 분류 임곗값을 고려합니다.

아이콘을 클릭하여 AUC와 ROC 곡선 간의 관계를 알아보세요.

AUC는 ROC 곡선 아래의 영역을 나타냅니다. 예를 들어 양성과 음성을 완벽하게 구분하는 모델의 ROC 곡선은 다음과 같습니다.

AUC는 위 그림의 회색 영역의 면적입니다. 이 특이한 경우 영역은 회색 영역의 길이(1.0)와 회색 영역의 너비 (1.0)를 곱한 값입니다. 따라서 1.0과 1.0의 곱셈 결과는 최대 AUC 점수인 정확히 1.0의 AUC가 됩니다.

반대로 클래스를 전혀 구분할 수 없는 분류기의 ROC 곡선은 다음과 같습니다. 이 회색 영역의 면적은 0.5입니다.

일반적인 ROC 곡선은 다음과 같이 보입니다.

이 곡선 아래의 영역을 수동으로 계산하는 것은 번거로울 수 있으므로 프로그램은 일반적으로 대부분의 AUC 값을 계산합니다.

---

아이콘을 클릭하여 AUC의 공식적인 정의를 확인하세요.

AUC는 분류 기준에서 무작위로 선택한 양성 예시가 실제로 양성일 확률이 무작위로 선택한 음성 예시가 양성일 확률보다 높다는 것을 분류자가 더 확신할 확률입니다.

---

자세한 내용은 머신러닝 단기집중과정의 분류: ROC 및 AUC를 참고하세요.

B

역전파

#fundamentals

신경망에서 경사하강법을 구현하는 알고리즘입니다.

신경망을 학습시키려면 다음과 같은 두 단계 사이클을 여러 번 iterations해야 합니다.

1. 전달 패스 중에 시스템은 예시의 일괄을 처리하여 예측을 생성합니다. 시스템은 각 예측을 각 라벨 값과 비교합니다. 예측값과 라벨 값의 차이가 해당 예시의 손실입니다. 시스템은 모든 예시의 손실을 집계하여 현재 일괄 처리의 총 손실을 계산합니다.
2. 역 전달(백프로파게이션) 중에 시스템은 모든 숨겨진 레이어의 모든 뉴런의 가중치를 조정하여 손실을 줄입니다.

신경망에는 종종 여러 개의 숨겨진 레이어에 걸쳐 많은 뉴런이 포함되어 있습니다. 이러한 각 뉴런은 서로 다른 방식으로 전체 손실에 기여합니다. 역전파는 특정 뉴런에 적용된 가중치를 늘릴지 줄일지 결정합니다.

학습률은 각 역전파에서 각 가중치를 늘리거나 줄이는 정도를 제어하는 배수입니다. 학습률이 클수록 각 가중치가 작을 때보다 더 많이 증가하거나 감소합니다.

미적분학 용어로 역전파는 미적분학의 체인 규칙을 구현합니다. 즉, 역전파는 각 매개변수에 대한 오류의 편미분을 계산합니다.

몇 년 전만 해도 ML 전문가는 역전파를 구현하기 위해 코드를 작성해야 했습니다. 이제 Keras와 같은 최신 ML API가 백프로파게이션을 자동으로 구현합니다. 다양한 혜택이 마음에 드셨나요?

자세한 내용은 머신러닝 단기집중과정의 신경망을 참고하세요.

일괄

#fundamentals

한 번의 학습 반복에 사용되는 예의 집합입니다. 배치 크기는 배치의 예 수를 결정합니다.

배치가 에포크와 어떤 관련이 있는지 알아보려면 에포크를 참고하세요.

자세한 내용은 머신러닝 단기집중과정의 선형 회귀: 초매개변수를 참고하세요.

배치 크기

#fundamentals

배치의 예 수입니다. 예를 들어 배치 크기가 100이면 모델은 반복당 100개의 예시를 처리합니다.

다음은 널리 사용되는 일괄 크기 전략입니다.

• 배치 크기가 1인 확률적 경사하강법 (SGD)
• 전체 배치: 배치 크기가 전체 학습 세트의 예 수입니다. 예를 들어 학습 세트에 100만 개의 예시가 포함되어 있으면 배치 크기는 100만 개가 됩니다. 전체 일괄 처리는 일반적으로 비효율적인 전략입니다.
• 미니 배치: 배치 크기는 일반적으로 10~1,000입니다. 미니 배치는 일반적으로 가장 효율적인 전략입니다.

자세한 내용은 다음을 참조하세요.

• 머신러닝 단기집중과정에서 프로덕션 ML 시스템: 정적 추론과 동적 추론 비교
• 딥 러닝 조정 플레이북

편향(bias)(윤리학/공정성)

#fairness

#fundamentals

1. 특정 사물, 인물 또는 그룹에 대한 정형화, 편견 또는 편애를 말합니다. 이러한 편향은 데이터의 수집과 해석 가능성, 시스템 설계, 사용자가 시스템과 상호작용하는 방식 등에 영향을 줍니다. 이러한 유형의 편향에는 다음이 포함됩니다.

• 자동화 편향
• 확인 편향
• 실험자 편향
• 그룹 귀인 편향
• 암시적 편향
• 내집단 편향
• 외부 집단 동질화 편향

2. 샘플링 또는 보고 절차로 인해 발생하는 계통 오차입니다. 이러한 유형의 편향에는 다음이 포함됩니다.

• 포함 편향
• 무응답 편향
• 응답 참여 편향
• 보고 편향
• 표본 추출 편향
• 표본 선택 편향

머신러닝 모델의 바이어스 항 또는 예측 편향과 혼동하지 마시기 바랍니다.

자세한 내용은 머신러닝 단기집중과정의 공정성: 편향 유형을 참고하세요.

편향 (수학) 또는 편향 항

#fundamentals

원점을 기준으로 한 절편 또는 오프셋입니다. 편향은 머신러닝 모델의 매개변수로 다음 중 하나로 표시됩니다.

• b
• w₀

예를 들어 다음 수식에서 편향은 b입니다.

$$y' = b + w_1x_1 + w_2x_2 + … w_nx_n$$

단순한 2차원 선에서 편향은 'y 절편'을 의미합니다. 예를 들어 다음 그림의 선의 편향은 2입니다.

모든 모델이 원점 (0,0)에서 시작하는 것은 아니므로 편향이 존재합니다. 예를 들어 놀이공원의 입장료는 2유로이고 고객이 머무는 시간당 0.5유로가 추가로 청구된다고 가정해 보겠습니다. 따라서 총 비용을 매핑하는 모델의 편향은 2입니다. 최소 비용이 2유로이기 때문입니다.

편향은 윤리학 및 공정성의 편향 또는 예측 편향과 혼동해서는 안 됩니다.

자세한 내용은 머신러닝 단기집중과정의 선형 회귀를 참고하세요.

이진 분류

#fundamentals

상호 배타적인 두 클래스 중 하나를 예측하는 분류 작업 유형입니다.

• 양성 클래스
• 음성 클래스

예를 들어 다음 두 머신러닝 모델은 각각 이진 분류를 실행합니다.

• 이메일 메시지가 스팸 (포지티브 클래스)인지 스팸이 아닌지 (네거티브 클래스)를 결정하는 모델입니다.
• 의료 증상을 평가하여 특정 질병이 있는지 (포지티브 클래스) 없는지 (네거티브 클래스) 판단하는 모델입니다.

다중 클래스 분류와 대비되는 개념입니다.

로지스틱 회귀 및 분류 임계값도 참고하세요.

자세한 내용은 머신러닝 단기집중과정의 분류를 참고하세요.

버킷팅,

#fundamentals

단일 특성을 버킷 또는 빈이라고 하는 다중 이진 특성으로 변환하는 작업으로서, 일반적으로 값 범위를 기반으로 합니다. 잘린 특성은 일반적으로 연속 특성입니다.

예를 들어 온도를 단일 연속 부동 소수점 지형지물로 나타내는 대신 온도 범위를 다음과 같이 개별 버킷으로 자릅니다.

• 섭씨 10도 미만은 '콜드' 버킷입니다.
• 11~24도는 '온화' 버킷입니다.
• 섭씨 25도 이상은 '따뜻함' 버킷입니다.

모델은 동일한 버킷의 모든 값을 동일하게 처리합니다. 예를 들어 값 13와 22는 모두 온화한 버킷에 있으므로 모델은 두 값을 동일하게 취급합니다.

추가 메모를 보려면 아이콘을 클릭하세요.

온도를 연속적인 특성으로 나타내면 모델은 온도를 단일 특성으로 취급합니다. 온도를 세 개의 버킷으로 나타내면 모델은 각 버킷을 별도의 특성으로 취급합니다. 즉, 모델은 각 버킷과 라벨의 별도의 관계를 학습할 수 있습니다. 예를 들어 선형 회귀 모델은 각 버킷에 대해 별도의 가중치를 학습할 수 있습니다.

버킷 수를 늘리면 모델이 학습해야 하는 관계의 수가 늘어나 모델이 더 복잡해집니다. 예를 들어 추운 날씨, 온화한 날씨, 따뜻한 날씨 버킷은 모델이 학습할 세 가지 별개의 기능입니다. 예를 들어 냉동 및 핫과 같은 버킷을 두 개 더 추가하면 이제 모델은 5개의 개별 기능을 학습해야 합니다.

만들 버킷의 수를 알거나 각 버킷의 범위를 알 수 있는 방법은 무엇인가요? 답변을 찾으려면 일반적으로 상당한 양의 실험이 필요합니다.

---

자세한 내용은 머신러닝 단기집중과정의 숫자 데이터: 비닝을 참고하세요.

C

범주형 데이터

#fundamentals

가능한 값의 특정 집합을 갖는 특성입니다. 예를 들어 다음 세 가지 값 중 하나만 가질 수 있는 traffic-light-state라는 범주형 특성을 생각해 보겠습니다.

• red
• yellow
• green

traffic-light-state를 범주형 특성으로 표현하면 모델이 red, green, yellow가 운전자 행동에 미치는 다양한 영향을 학습할 수 있습니다.

범주형 특성을 불연속 특성이라고도 합니다.

수치 데이터와 대비되는 개념입니다.

자세한 내용은 머신러닝 단기집중과정의 분류형 데이터 작업을 참고하세요.

클래스

#fundamentals

라벨이 속할 수 있는 카테고리입니다. 예를 들면 다음과 같습니다.

• 스팸을 감지하는 이진 분류 모델에서 두 클래스는 스팸과 스팸 아님일 수 있습니다.
• 강아지 품종을 식별하는 다중 클래스 분류 모델에서 클래스는 푸들, 비글, 퍼그 등이 될 수 있습니다.

분류 모델은 클래스를 예측합니다. 반면 회귀 모델은 클래스가 아닌 숫자를 예측합니다.

자세한 내용은 머신러닝 단기집중과정의 분류를 참고하세요.

분류 모델

#fundamentals

예측이 클래스인 모델입니다. 예를 들어 다음은 모두 분류 모델입니다.

• 입력 문장의 언어 (프랑스어? 스페인어? 이탈리아어)를 사용하고 계신가요?
• 나무 종 (단풍나무? 오크? 바오밥?).
• 특정 질병에 대한 양성 또는 음성 클래스를 예측하는 모델입니다.

반면 회귀 모델은 클래스가 아닌 숫자를 예측합니다.

일반적인 두 가지 분류 모델 유형은 다음과 같습니다.

• 이진 분류
• 다중 클래스 분류

분류 기준점

#fundamentals

이진 분류에서 로지스틱 회귀 모델의 원시 출력을 포지티브 클래스 또는 네거티브 클래스의 예측으로 변환하는 0과 1 사이의 숫자입니다. 분류 기준점은 모델 학습에서 선택한 값이 아니라 사람이 선택하는 값입니다.

로지스틱 회귀 모델은 0과 1 사이의 원시 값을 출력합니다. 그런 다음 아래를 실행합니다.

• 이 원시 값이 분류 기준점보다 크면 양성 클래스가 예측됩니다.
• 이 원시 값이 분류 임곗값보다 작으면 음성 클래스가 예측됩니다.

예를 들어 분류 기준점이 0.8이라고 가정해 보겠습니다. 원시 값이 0.9이면 모델은 양성 클래스를 예측합니다. 원시 값이 0.7이면 모델은 음수 클래스를 예측합니다.

분류 기준점을 선택하면 거짓양성 및 거짓음성의 수에 큰 영향을 미칩니다.

추가 메모를 보려면 아이콘을 클릭하세요.

모델이나 데이터 세트가 발전함에 따라 엔지니어가 분류 기준점도 변경하는 경우가 있습니다. 분류 기준이 변경되면 긍정적인 클래스 예측이 갑자기 부정적인 클래스가 될 수 있고 그 반대의 경우도 가능합니다.

예를 들어 이진 분류 질병 예측 모델을 생각해 보세요. 첫해에 시스템이 실행될 때 다음과 같다고 가정해 보겠습니다.

• 특정 환자의 원시 값은 0.95입니다.
• 분류 기준점은 0.94입니다.

따라서 시스템은 양성 클래스를 진단합니다. (환자가 숨을 들이쉬며 '아, 아파요!')

1년 후 값은 다음과 같이 표시될 수 있습니다.

• 동일한 환자의 원시 값은 0.95로 유지됩니다.
• 분류 기준점이 0.97로 변경됩니다.

따라서 시스템은 이제 해당 환자를 음성 클래스로 재분류합니다. ('좋은 하루 보내세요. 아프지 않습니다.') 동일한 환자입니다. 다른 진단

---

자세한 내용은 머신러닝 단기집중과정의 임곗값 및 혼동 행렬을 참고하세요.

클래스 불균형 데이터 세트

#fundamentals

각 클래스의 총 라벨 수가 크게 다른 분류 문제의 데이터 세트입니다. 예를 들어 두 라벨이 다음과 같이 나누어진 이진 분류 데이터 세트를 생각해 보겠습니다.

• 제외 라벨 1,000,000개
• 긍정적인 라벨 10개

음성 라벨과 양성 라벨의 비율이 100,000:1이므로 클래스 불균형 데이터 세트입니다.

반면 다음 데이터 세트는 음성 라벨과 양성 라벨의 비율이 상대적으로 1에 가까우므로 클래스 불균형이 아닙니다.

• 517개의 제외 라벨
• 긍정적인 라벨 483개

다중 클래스 데이터 세트는 클래스 불균형일 수도 있습니다. 예를 들어 다음 다중 클래스 분류 데이터 세트도 한 라벨의 예시가 다른 두 라벨의 예시보다 훨씬 많기 때문에 클래스 불균형이 있습니다.

• 'green' 클래스가 지정된 라벨 1,000,000개
• 'purple' 클래스가 있는 라벨 200개
• 'orange' 클래스가 있는 라벨 350개

엔트로피, 다수 클래스, 소수 클래스도 참고하세요.

클리핑

#fundamentals

다음 중 하나 또는 둘 다를 실행하여 이상치를 처리하는 기술입니다.

• 최대 기준점보다 큰 특성 값을 해당 최대 기준점으로 줄입니다.
• 최소 임곗값보다 작은 특성 값을 해당 최소 임곗값으로 증가시킵니다.

예를 들어 특정 특성의 값 중 0.5% 미만이 40~60 범위를 벗어난다고 가정합니다. 이 경우 다음과 같이 할 수 있습니다.

• 60 (최대 기준점)을 초과하는 모든 값을 정확히 60으로 자릅니다.
• 40 (최소 기준점) 미만인 모든 값을 정확히 40으로 자릅니다.

이상치는 모델에 손상을 줄 수 있으며, 경우에 따라 학습 중에 가중치가 오버플로할 수 있습니다. 일부 외부값은 정확성과 같은 측정항목을 크게 손상시킬 수도 있습니다. 클리핑은 손상을 제한하는 일반적인 기법입니다.

경사 제한은 학습 중에 지정된 범위 내에서 경사 값을 강제 적용합니다.

자세한 내용은 머신러닝 단기집중과정의 숫자 데이터: 정규화를 참고하세요.

혼동 행렬

#fundamentals

분류 모델이 내린 올바른 예측과 잘못된 예측의 수를 요약한 NxN 표입니다. 예를 들어 이진 분류 모델의 다음 혼동 행렬을 고려해 보겠습니다.

	종양 (예측)	종양이 아님 (예측)
종양 (정답)	18 (TP)	1 (FN)
종양이 아님 (정답)	6 (FP)	452 (TN)

위의 혼동 행렬은 다음을 보여줍니다.

• 실제값이 종양인 19개의 예측 중 모델은 18개를 올바르게 분류하고 1개를 잘못 분류했습니다.
• 참값이 종양이 아닌 458개의 예측 중 모델은 452개를 올바르게 분류하고 6개를 잘못 분류했습니다.

다중 클래스 분류 문제의 혼동 행렬을 사용하면 실수의 패턴을 식별하는 데 도움이 됩니다. 예를 들어 세 가지 붓꽃 유형(버지니카, 버시컬러, 세토사)을 분류하는 3개 클래스 다중 클래스 분류 모델의 다음 혼동 행렬을 고려해 보세요. 실측 정보가 Virginica인 경우 혼동 행렬은 모델이 Setosa보다 Versicolor를 잘못 예측할 가능성이 훨씬 높음을 보여줍니다.

	Setosa (예측)	Versicolor (예측)	버지니아 (예측)
Setosa (정답)	88	12	0
Versicolor (정답)	6	141	7
버지니아 (정답)	2	27	109

또 다른 예로, 혼동 행렬은 필기 숫자를 인식하도록 학습된 모델이 4를 9로, 아니면 7을 1로 잘못 예측하는 경향이 있음을 드러낼 수 있습니다.

혼동 행렬에는 정밀도 및 재현율을 비롯한 다양한 성능 측정항목을 계산하기에 충분한 정보가 포함되어 있습니다.

연속 지형지물

#fundamentals

온도나 무게와 같이 가능한 값의 범위가 무한인 부동 소수점 특성입니다.

불연속 특성과 대비되는 개념입니다.

수렴

#fundamentals

손실 값이 각 반복마다 거의 또는 전혀 변하지 않을 때 도달하는 상태입니다. 예를 들어 다음 손실 곡선은 약 700번의 반복에서 수렴을 나타냅니다.

추가 학습으로 모델이 개선되지 않으면 모델이 수렴합니다.

딥 러닝에서는 손실 값이 여러 번 반복될 때 일정하게 유지되거나 거의 일정하게 유지된 후 최종적으로 감소하는 경우가 있습니다. 장기간 손실 값이 일정한 경우 일시적으로 잘못된 수렴 감각을 느낄 수 있습니다.

조기 중단도 참고하세요.

자세한 내용은 머신러닝 단기집중과정의 모델 수렴 및 손실 곡선을 참고하세요.

D

DataFrame

#fundamentals

메모리에 데이터 세트를 표현하는 데 널리 사용되는 pandas 데이터 유형입니다.

DataFrame은 표나 스프레드시트와 비슷합니다. DataFrame의 각 열에는 이름 (헤더)이 있으며 각 행은 고유한 숫자로 식별됩니다.

DataFrame의 각 열은 2D 배열처럼 구성되지만 각 열에 고유한 데이터 유형을 할당할 수 있다는 점이 다릅니다.

공식 pandas.DataFrame 참조 페이지도 참고하세요.

데이터 세트(data set 또는 dataset)

#fundamentals

원시 데이터 모음으로, 일반적으로 (그러나 반드시 그런 것은 아님) 다음 형식 중 하나로 구성됩니다.

• 스프레드시트
• CSV (쉼표로 구분된 값) 형식의 파일

심층 모델

#fundamentals

숨겨진 레이어가 2개 이상 포함된 신경망입니다.

심층 모델은 심층신경망이라고도 합니다.

와이드 모델과 대비되는 개념입니다.

밀집 특성

#fundamentals

대부분의 값 또는 모든 값이 0이 아닌 특징입니다. 일반적으로 부동 소수점 값의 텐서입니다. 예를 들어 다음 10개 요소 텐서는 9개의 값이 0이 아니므로 밀집 텐서입니다.

8

3

7

5

2

4

0

4

9

6

희소 특성과 대비되는 개념입니다.

깊이

#fundamentals

신경망에서 다음의 합계입니다.

• 숨겨진 레이어 수
• 출력 레이어 수(일반적으로 1)
• 임베딩 레이어 수

예를 들어 히든 레이어 5개와 출력 레이어 1개가 있는 신경망의 깊이는 6입니다.

입력 레이어는 깊이에 영향을 미치지 않습니다.

불연속 특성

#fundamentals

가능한 값의 유한 집합을 갖는 특성입니다. 예를 들어 값이 animal, vegetable 또는 mineral일 수 있는 특성은 불연속 (또는 카테고리) 특성입니다.

연속 특성과 대비되는 개념입니다.

동적

#fundamentals

자주 또는 지속적으로 실행되는 작업 동적과 온라인은 머신러닝에서 동의어입니다. 다음은 머신러닝에서 동적 및 온라인의 일반적인 사용 사례입니다.

• 동적 모델 (또는 온라인 모델)은 자주 또는 지속적으로 재학습되는 모델입니다.
• 동적 학습 (또는 온라인 학습)은 자주 또는 지속적으로 학습하는 프로세스입니다.
• 동적 추론 (또는 온라인 추론)은 요청 시 예측을 생성하는 프로세스입니다.

동적 모델

#fundamentals

자주 (또는 지속적으로) 재학습되는 모델입니다. 동적 모델은 진화하는 데이터에 지속적으로 적응하는 '평생 학습자'입니다. 동적 모델은 온라인 모델이라고도 합니다.

정적 모델과 대비되는 개념입니다.

E

조기 중단

#fundamentals

학습 손실이 감소하기 전에 학습을 종료하는 정규화 방법입니다. 조기 중단에서는 검증 데이터 세트의 손실이 증가하기 시작하면(즉, 일반화 성능이 저하되면) 의도적으로 모델 학습을 중단합니다.

추가 메모를 보려면 아이콘을 클릭하세요.

조기 중단은 직관에 어긋나는 것처럼 보일 수 있습니다. 결국 손실이 감소하는 동안 모델에 학습을 중단하라고 하는 것은 셰프에게 디저트가 완전히 구워지기 전에 요리를 중단하라고 하는 것과 비슷합니다. 하지만 모델을 너무 오래 학습하면 과적합이 발생할 수 있습니다. 즉, 모델을 너무 오래 학습하면 모델이 학습 데이터에 너무 근접하게 맞춰져 새 예시를 잘 예측하지 못할 수 있습니다.

---

임베딩 레이어

#language

#fundamentals

고차원 카테고리 특성으로 학습하여 점진적으로 하위 차원 임베딩 벡터를 학습하는 특수한 숨겨진 레이어입니다. 임베딩 레이어를 사용하면 신경망이 고차원 카테고리 특성만으로 학습하는 것보다 훨씬 더 효율적으로 학습할 수 있습니다.

예를 들어 현재 지구에는 약 73,000가지의 수종이 생식하고 있습니다. 나무 종이 모델의 특성이므로 모델의 입력 레이어에 73,000개 요소 길이의 원-핫 벡터가 포함되어 있다고 가정해 보겠습니다. 예를 들어 baobab는 다음과 같이 표시될 수 있습니다.

73,000개 요소 배열은 매우 깁니다. 모델에 임베딩 레이어를 추가하지 않으면 72,999개의 0을 곱해야 하므로 학습에 시간이 많이 걸립니다. 임베딩 레이어를 12개의 측정기준으로 구성하도록 선택할 수 있습니다. 따라서 임베딩 레이어는 각 나무 종에 관한 새로운 임베딩 벡터를 점진적으로 학습합니다.

경우에 따라 해싱은 임베딩 레이어의 적절한 대안이 될 수 있습니다.

자세한 내용은 머신러닝 단기집중과정의 임베딩을 참고하세요.

에포크

#fundamentals

전체 학습 세트의 전체 학습 단계로, 각 예시가 한 번 처리됩니다.

에포크는 N/배치 크기 학습 반복을 나타냅니다. 여기서 N는 총 예시 수입니다.

예를 들어 다음을 가정해 보겠습니다.

• 데이터 세트는 1,000개의 예로 구성됩니다.
• 배치 크기는 예시 50개입니다.

따라서 단일 에포크에는 20번의 반복이 필요합니다.

1 epoch = (N/batch size) = (1,000 / 50) = 20 iterations

자세한 내용은 머신러닝 단기집중과정의 선형 회귀: 초매개변수를 참고하세요.

예시

#fundamentals

하나의 지형지물 행의 값과 라벨일 수 있습니다. 지도 학습의 예는 다음과 같은 두 가지 일반 범주로 나뉩니다.

• 라벨이 지정된 예는 하나 이상의 특성과 라벨로 구성됩니다. 라벨이 지정된 예는 학습 중에 사용됩니다.
• 라벨이 없는 예는 하나 이상의 특성으로 구성되지만 라벨은 없습니다. 라벨이 없는 예는 추론 중에 사용됩니다.

예를 들어 날씨가 학생의 시험 점수에 미치는 영향을 확인하기 위해 모델을 학습한다고 가정해 보겠습니다. 다음은 라벨이 지정된 세 가지 예입니다.

기능			라벨
온도	습도	압력	테스트 점수
15	47	998	좋음
19	34	1020	매우 좋음
18	92	1012	나쁨

다음은 라벨이 지정되지 않은 세 가지 예입니다.

온도	습도	압력
12	62	1014
21	47	1017
19	41	1021

데이터 세트의 행은 일반적으로 예시의 원시 소스입니다. 즉, 예시는 일반적으로 데이터 세트의 열 하위 집합으로 구성됩니다. 또한 예시의 특성에는 특성 교차와 같은 합성 특성도 포함될 수 있습니다.

자세한 내용은 머신러닝 소개 과정의 지도 학습을 참고하세요.

F

거짓음성 (FN)

#fundamentals

모델에서 네거티브 클래스로 잘못 예측한 예입니다. 예를 들어 모델에서 특정 이메일 메시지가 스팸이 아님(네거티브 클래스)이라고 예측했지만 실제로는 스팸인 경우를 말합니다.

거짓양성 (FP)

#fundamentals

모델에서 포지티브 클래스로 잘못 예측한 예입니다. 예를 들어 모델에서 특정 이메일 메시지가 스팸 (포지티브 클래스)이라고 예측했지만 실제로는 스팸이 아닌 경우입니다.

자세한 내용은 머신러닝 단기집중과정의 임곗값 및 혼동 행렬을 참고하세요.

거짓양성률 (FPR)

#fundamentals

모델이 포지티브 클래스로 잘못 예측한 실제 음성 예시의 비율입니다. 다음 수식으로 거짓양성률을 계산합니다.

$$\text{false positive rate} = \frac{\text{false positives}}{\text{false positives} + \text{true negatives}}$$

거짓양성률은 ROC 곡선의 x축입니다.

자세한 내용은 머신러닝 단기집중과정의 분류: ROC 및 AUC를 참고하세요.

특징

#fundamentals

머신러닝 모델의 입력 변수입니다. 예는 하나 이상의 지형지물로 구성됩니다. 예를 들어 날씨가 학생의 시험 점수에 미치는 영향을 확인하기 위해 모델을 학습한다고 가정해 보겠습니다. 다음 표에는 각각 3개의 지형지물과 1개의 라벨이 포함된 세 가지 예가 나와 있습니다.

기능			라벨
온도	습도	압력	테스트 점수
15	47	998	92
19	34	1020	84
18	92	1012	87

라벨과 대비되는 개념입니다.

자세한 내용은 머신러닝 소개 과정의 지도 학습을 참고하세요.

특성 교차

#fundamentals

범주형 또는 버케팅된 특성을 '교차'하여 형성된 합성 특성입니다.

예를 들어 다음 네 가지 버킷 중 하나로 온도를 나타내는 '기분 예측' 모델을 생각해 보겠습니다.

• freezing
• chilly
• temperate
• warm

다음 세 가지 버킷 중 하나로 풍속을 나타냅니다.

• still
• light
• windy

특성 교차가 없으면 선형 모델은 앞의 7가지 다양한 버킷 각각에 대해 독립적으로 학습합니다. 따라서 모델은 예를 들어 windy의 학습과는 별개로 freezing에서 학습합니다.

또는 온도와 풍속의 지형지물 교차를 만들 수 있습니다. 이 합성 기능에는 다음과 같은 12가지 값이 있을 수 있습니다.

• freezing-still
• freezing-light
• freezing-windy
• chilly-still
• chilly-light
• chilly-windy
• temperate-still
• temperate-light
• temperate-windy
• warm-still
• warm-light
• warm-windy

특성 교차를 통해 모델은 freezing-windy일과 freezing-still일 간의 기분 차이를 학습할 수 있습니다.

각각 다양한 버킷이 많은 두 특성으로 합성 특성을 만들면 결과 특성 교차에는 가능한 조합이 엄청나게 많습니다. 예를 들어 한 특성에 버킷이 1,000개 있고 다른 특성에 버킷이 2,000개 있는 경우 결과 특성 교차에는 버킷이 2,000,000개 있습니다.

공식적으로 교차는 카티전 곱입니다.

특성 교차는 주로 선형 모델과 함께 사용되며 신경망에서는 거의 사용되지 않습니다.

자세한 내용은 머신러닝 단기집중과정의 분류형 데이터: 특성 교차를 참고하세요.

특성 추출 단계를 포함합니다

#fundamentals

#TensorFlow

다음 단계를 포함하는 프로세스입니다.

1. 모델을 학습시키는 데 유용할 특성을 결정합니다.
2. 데이터 세트의 원시 데이터를 이러한 기능의 효율적인 버전으로 변환합니다.

예를 들어 temperature가 유용한 기능일 수 있다고 판단할 수 있습니다. 그런 다음 버케팅을 실험하여 모델이 다양한 temperature 범위에서 학습할 수 있는 내용을 최적화할 수 있습니다.

특성 추출을 특징 추출 또는 특성화라고도 합니다.

TensorFlow에 관한 추가 메모를 보려면 아이콘을 클릭합니다.

TensorFlow에서 특성 추출은 일반적으로 원시 로그 파일 항목을 tf.Example 프로토콜 버퍼로 변환하는 것을 의미합니다. tf.Transform도 참고하세요.

---

자세한 내용은 머신러닝 단기집중과정에서 숫자 데이터: 모델이 특성 벡터를 사용하여 데이터를 처리하는 방법을 참고하세요.

기능 세트

#fundamentals

머신러닝 모델에서 학습에 사용하는 특성 그룹입니다. 예를 들어 우편번호, 주택 크기, 주택 상태는 주택 가격을 예측하는 모델의 간단한 특성 집합을 구성할 수 있습니다.

특성 벡터

#fundamentals

예를 구성하는 특성 값 배열입니다. 특성 벡터는 학습 및 추론 중에 입력됩니다. 예를 들어 두 개의 개별 특성이 있는 모델의 특성 벡터는 다음과 같습니다.

[0.92, 0.56]

각 예시는 특성 벡터에 서로 다른 값을 제공하므로 다음 예의 특성 벡터는 다음과 같을 수 있습니다.

[0.73, 0.49]

특성 추출은 특성 벡터에서 특성을 나타내는 방법을 결정합니다. 예를 들어 가능한 값이 5개인 이진 범주형 특성은 원-핫 인코딩으로 표현할 수 있습니다. 이 경우 특정 예시의 특징 벡터 부분은 다음과 같이 4개의 0과 세 번째 위치의 단일 1.0으로 구성됩니다.

[0.0, 0.0, 1.0, 0.0, 0.0]

또 다른 예로 모델이 다음과 같은 세 가지 특성으로 구성되어 있다고 가정해 보겠습니다.

• 원-핫 인코딩으로 표현되는 가능한 값이 5개인 바이너리 범주형 특성입니다(예: [0.0, 1.0, 0.0, 0.0, 0.0]).
• 원-핫 인코딩으로 나타낼 수 있는 세 가지 값이 있는 다른 이진 범주형 특성입니다(예: [0.0, 0.0, 1.0]).
• 부동 소수점 지형지물(예: 8.3)

이 경우 각 예시의 특성 벡터는 9개의 값으로 표시됩니다. 위 목록의 예시 값을 고려할 때 특성 벡터는 다음과 같습니다.

0.0
1.0
0.0
0.0
0.0
0.0
0.0
1.0
8.3

자세한 내용은 머신러닝 단기집중과정에서 숫자 데이터: 모델이 특성 벡터를 사용하여 데이터를 처리하는 방법을 참고하세요.

피드백 루프

#fundamentals

머신러닝에서 모델의 예측이 동일한 모델 또는 다른 모델의 학습 데이터에 영향을 미치는 상황입니다. 예를 들어 영화를 추천하는 모델은 사용자가 보는 영화에 영향을 미치고 이는 후속 영화 추천 모델에 영향을 미칩니다.

자세한 내용은 머신러닝 단기집중과정의 프로덕션 ML 시스템: 물어볼 질문을 참고하세요.

G

일반화

#fundamentals

이전에 접하지 못한 새로운 데이터에 대해 올바른 예측을 수행하는 모델의 능력입니다. 일반화할 수 있는 모델은 과적합하는 모델과는 반대입니다.

추가 메모를 보려면 아이콘을 클릭하세요.

학습 세트의 예시를 사용하여 모델을 학습시킵니다. 따라서 모델은 학습 세트의 데이터 특성을 학습합니다. 일반화는 기본적으로 모델이 학습 세트에 없는 예시를 잘 예측할 수 있는지 묻는 것입니다.

일반화를 촉진하기 위해 정규화는 모델이 학습 세트의 데이터 특성에 덜 정확하게 학습하도록 도와줍니다.

---

자세한 내용은 머신러닝 단기집중과정의 일반화를 참고하세요.

일반화 곡선

#fundamentals

반복 횟수의 함수로 학습 손실과 검증 손실을 모두 표시한 그래프입니다.

일반화 곡선을 사용하면 가능한 과적합을 감지하는 데 도움이 됩니다. 예를 들어 다음 일반화 곡선은 검증 손실이 학습 손실보다 훨씬 높아지므로 과적합을 암시합니다.

자세한 내용은 머신러닝 단기집중과정의 일반화를 참고하세요.

경사하강법

#fundamentals

손실을 최소화하는 수학적 기법입니다. 경사하강법은 가중치와 편향을 반복적으로 조정하여 손실을 최소화하는 최적의 조합을 점진적으로 찾습니다.

경사 하강은 머신러닝보다 훨씬 오래된 기법입니다.

자세한 내용은 머신러닝 단기집중과정의 선형 회귀: 경사 하강을 참고하세요.

정답

#fundamentals

현실입니다.

실제로 발생한 상황

예를 들어 대학 1학년 학생이 6년 이내에 졸업할지 예측하는 이진 분류 모델을 생각해 보세요. 이 모델의 정답은 학생이 6년 이내에 실제로 졸업했는지 여부입니다.

추가 메모를 보려면 아이콘을 클릭하세요.

Google에서는 정답을 기준으로 모델 품질을 평가합니다. 하지만 실측 정보가 항상 완전히 사실인 것은 아닙니다. 예를 들어 다음은 실제 정보에 잠재적인 결함이 있을 수 있는 예시입니다.

• 졸업 예시에서 각 학생의 졸업 기록이 항상 정확하다고 확신할 수 있나요? 대학의 기록 보관이 완벽한가요?
• 라벨이 기기(예: 기압계)로 측정된 부동 소수점 값이라고 가정해 보겠습니다. 각 기기가 동일하게 보정되었거나 각 측정값이 동일한 상황에서 측정되었는지 어떻게 알 수 있나요?
• 라벨이 인간의 의견에 따라 달라진다면 각 평가자가 동일한 방식으로 이벤트를 평가하고 있는지 어떻게 알 수 있을까요? 일관성을 개선하기 위해 전문가 인간 평가자가 개입하는 경우도 있습니다.

---

H

히든 레이어

#fundamentals

입력 레이어 (특성)와 출력 레이어 (예측) 사이에 있는 신경망의 레이어입니다. 각 숨겨진 레이어는 하나 이상의 뉴런으로 구성됩니다. 예를 들어 다음 신경망에는 히든 레이어가 두 개 있습니다. 첫 번째 히든 레이어에는 뉴런이 3개, 두 번째 히든 레이어에는 뉴런이 2개 있습니다.

심층신경망에는 두 개 이상의 히든 레이어가 포함되어 있습니다. 예를 들어 위의 그림은 모델에 숨겨진 레이어가 두 개 포함되어 있으므로 심층신경망입니다.

자세한 내용은 머신러닝 단기집중과정의 신경망: 노드 및 숨겨진 레이어를 참고하세요.

하이퍼파라미터

#fundamentals

개발자 또는 초매개변수 조정 서비스가 모델 학습을 연속으로 실행하는 동안 조정하는 변수입니다. 예를 들어 학습률은 초매개변수 중 하나입니다. 학습 세션 전에 학습률을 0.01로 설정할 수 있습니다. 0.01이 너무 높다고 판단되면 다음 학습 세션의 학습률을 0.003으로 설정할 수 있습니다.

반면 매개변수는 모델이 학습 중에 학습하는 다양한 가중치와 편향입니다.

자세한 내용은 머신러닝 단기집중과정의 선형 회귀: 초매개변수를 참고하세요.

I

독립적이고 동일한 분포 (i.i.d)

#fundamentals

변경되지 않고 그려진 각 값이 이전에 그려진 값에 종속되지 않는 분포에서 가져온 데이터입니다. 독립 이분변량은 머신러닝의 이상기체입니다. 유용한 수학적 구조이지만 현실에서는 거의 찾아볼 수 없습니다. 예를 들어 웹페이지의 방문자 분포는 짧은 기간에는 i.i.d.일 수 있습니다. 즉, 짧은 기간에는 분포가 변하지 않으며 각 사용자의 방문은 일반적으로 서로 독립적입니다. 하지만 기간을 늘리면 웹페이지 방문자 수가 계절에 따라 달라질 수 있습니다.

비정상 상태도 참고하세요.

추론

#fundamentals

머신러닝에서 학습된 모델을 라벨이 없는 예에 적용하여 예측을 수행하는 과정입니다.

통계에서 추론은 다소 다른 의미를 갖습니다. 자세한 내용은 통계적 추론에 관한 위키백과 문서를 참고하세요.

지도 학습 시스템에서 추론의 역할을 확인하려면 ML 소개 과정에서 지도 학습을 참고하세요.

입력 레이어

#fundamentals

특성 벡터를 보유하는 신경망의 레이어입니다. 즉, 입력 레이어는 학습 또는 추론을 위한 예시를 제공합니다. 예를 들어 다음 신경망의 입력층은 두 가지 기능으로 구성됩니다.

해석 가능성

#fundamentals

인간이 이해할 수 있는 용어로 ML 모델의 추론을 설명하거나 제시하는 기능입니다.

예를 들어 대부분의 선형 회귀 모델은 해석 가능성이 매우 높습니다. 각 기능에 대해 학습된 가중치만 보면 됩니다. 또한 의사결정 포레스트는 해석하기가 매우 쉽습니다. 그러나 일부 모델은 정교한 시각화를 통해서만 해석 가능합니다.

LIT (Learning Interpretability Tool)를 사용하여 ML 모델을 해석할 수 있습니다.

반복

#fundamentals

학습 중에 모델의 매개변수(모델의 가중치 및 편향)를 단일로 업데이트하는 작업입니다. 배치 크기는 모델이 단일 반복에서 처리하는 예시의 수를 결정합니다. 예를 들어 배치 크기가 20이면 모델은 매개변수를 조정하기 전에 20개의 예시를 처리합니다.

신경망을 학습할 때 단일 반복에는 다음 두 가지 패스가 포함됩니다.

1. 단일 배치에서 손실을 평가하는 전진 패스입니다.
2. 손실과 학습률을 기반으로 모델의 매개변수를 조정하는 역전 패스 (백프로파게이션)입니다.

L

L₀ 정규화

#fundamentals

모델에서 0이 아닌 가중치의 총 개수에 페널티를 주는 정규화 유형입니다. 예를 들어 0이 아닌 가중치가 11개인 모델은 0이 아닌 가중치가 10개인 유사한 모델보다 더 큰 불이익을 받습니다.

L₀ 정규화를 L0-norm 정규화라고도 합니다.

추가 메모를 보려면 아이콘을 클릭하세요.

L₀ 정규화는 학습을 볼록 최적화 문제로 전환하므로 대규모 모델에서는 일반적으로 실용적이지 않습니다.

---

L₁ 손실

#fundamentals

실제 라벨 값과 모델이 예측하는 값 간의 차이의 절대값을 계산하는 손실 함수입니다. 예를 들어 다음은 예 5개로 구성된 배치의 L₁ 손실 계산입니다.

예시의 실제 값	모델의 예측값	델타의 절댓값
7	6	1
5	4	1
8	11	3
4	6	2
9	8	1
		8 = L1 손실

L₁ 손실은 L₂ 손실보다 이상치에 둔감합니다.

평균 절대 오류는 예시당 평균 L₁ 손실입니다.

아이콘을 클릭하면 수학 공식을 확인할 수 있습니다.

$$ L_1 loss = \sum_{i=0}^n | y_i - \hat{y}_i |$$

각 항목의 의미는 다음과 같습니다.

• $n$ 은 예시의 수입니다.
• $y$ 는 라벨의 실제 값입니다.
• $\hat{y}$ 는 모델이 $y$를 예측하는 값입니다.

---

L₁ 정규화

#fundamentals

가중치의 절대값 합에 비례하여 가중치에 페널티를 주는 정규화 유형입니다. L₁ 정규화는 관련성이 없거나 매우 낮은 특성의 가중치를 정확히 0으로 유도하는 데 도움이 됩니다. 가중치가 0인 기능은 모델에서 사실상 삭제됩니다.

L₂ 정규화와 대비되는 개념입니다.

L₂ 손실

#fundamentals

실제 라벨 값과 모델이 예측하는 값 간의 차이의 제곱을 계산하는 손실 함수입니다. 예를 들어 다음은 예 5개로 구성된 배치의 L₂ 손실 계산입니다.

예시의 실제 값	모델의 예측값	델타의 제곱
7	6	1
5	4	1
8	11	9
4	6	4
9	8	1
		16 = L2 손실

제곱을 구하므로 L₂ 손실은 이상치의 영향을 증폭합니다. 즉, L₂ 손실은 L₁ 손실보다 잘못된 예측에 더 민감하게 반응합니다. 예를 들어 이전 배치의 L₁ 손실은 16이 아닌 8이 됩니다. 단일 외부값이 16개 중 9개를 차지합니다.

회귀 모델은 일반적으로 L₂ 손실을 손실 함수로 사용합니다.

평균 제곱 오차는 예시당 평균 L₂ 손실입니다. 제곱 손실은 L₂ 손실의 다른 이름입니다.

아이콘을 클릭하면 수학 공식을 확인할 수 있습니다.

$$ L_2 loss = \sum_{i=0}^n {(y_i - \hat{y}_i)}^2$$

각 항목의 의미는 다음과 같습니다.

• $n$ 은 예시의 수입니다.
• $y$ 는 라벨의 실제 값입니다.
• $\hat{y}$ 는 모델이 $y$를 예측하는 값입니다.

---

L₂ 정규화

#fundamentals

가중치의 제곱 합에 비례하여 가중치에 페널티를 주는 정규화 유형입니다. L₂ 정규화는 높은 긍정 값 또는 낮은 부정 값을 갖는 이상점 가중치를 0은 아니지만 0에 가깝게 유도하는 데 도움이 됩니다. 값이 0에 매우 가까운 특성은 모델에 남아 있지만 모델의 예측에 큰 영향을 미치지 않습니다.

L₂ 정규화는 항상 선형 모델의 일반화를 개선합니다.

L₁ 정규화와 대비되는 개념입니다.

라벨

#fundamentals

지도 머신러닝에서 예의 '답' 또는 '결과' 부분을 의미합니다.

각 라벨이 지정된 예는 하나 이상의 특성과 라벨로 구성됩니다. 예를 들어 스팸 감지 데이터 세트의 경우 라벨은 '스팸' 또는 '스팸 아님'일 가능성이 높습니다. 강우량 데이터 세트에서 라벨은 특정 기간 동안 내린 비의 양일 수 있습니다.

라벨이 있는 예

#fundamentals

하나 이상의 특성과 라벨이 포함된 예시입니다. 예를 들어 다음 표에는 주택 감정 모델의 라벨이 지정된 세 가지 예시가 나와 있으며, 각각 세 가지 특성과 하나의 라벨이 있습니다.

침실 수	욕실 수	주택 연식	주택 가격 (라벨)
3	2	15	$345,000
2	1	72	$179,000
4	2	34	$392,000

지도 머신러닝에서는 모델이 라벨이 지정된 예시를 학습하고 라벨이 지정되지 않은 예시를 예측합니다.

라벨이 지정된 예시와 라벨이 지정되지 않은 예시를 대비합니다.

람다

#fundamentals

정규화율의 동의어입니다.

람다는 오버로드된 용어입니다. 여기에서는 정규화 맥락의 용어 정의에 집중합니다.

레이어

#fundamentals

신경망의 뉴런 집합입니다. 일반적인 세 가지 레이어 유형은 다음과 같습니다.

• 모든 지형지물의 값을 제공하는 입력 레이어
• 특성과 라벨 간의 비선형 관계를 찾는 하나 이상의 숨겨진 레이어
• 예측을 제공하는 출력 레이어입니다.

예를 들어 다음 그림은 입력 레이어 1개, 히든 레이어 2개, 출력 레이어 1개가 있는 신경망을 보여줍니다.

TensorFlow에서 레이어는 텐서 및 구성 옵션을 입력으로 취하고 다른 텐서를 출력하는 Python 함수이기도 합니다.

학습률

#fundamentals

경사하강법 알고리즘에 각 반복에서 가중치와 편향을 얼마나 강하게 조정할지 알려주는 부동 소수점 수입니다. 예를 들어 학습률이 0.3이면 학습률이 0.1일 때보다 가중치와 편향을 세 배 더 강력하게 조정합니다.

학습률은 핵심적인 초매개변수입니다. 학습률을 너무 낮게 설정하면 학습 시간이 너무 오래 걸립니다. 학습률을 너무 높게 설정하면 경사하강법이 수렴에 도달하는 데 문제가 발생하는 경우가 많습니다.

아이콘을 클릭하면 수학적 설명을 확인할 수 있습니다.

각 반복에서 경사하강법 알고리즘은 학습률을 경사에 곱합니다. 결과 제품을 경사 단계라고 합니다.

---

선형

#fundamentals

덧셈과 곱셈을 통해서만 표현할 수 있는 두 개 이상의 변수 간의 관계입니다.

선형 관계의 플롯은 선입니다.

비선형과 대비되는 개념입니다.

선형 모델

#fundamentals

예측을 위해 특성당 하나의 가중치를 할당하는 모델입니다. 선형 모델은 편향도 포함합니다. 반면 심층 모델에서 특성과 예측의 관계는 일반적으로 비선형입니다.

선형 모델은 일반적으로 심층 모델보다 학습하기 쉽고 해석하기 쉽습니다. 하지만 딥 모델은 특성 간의 복잡한 관계를 학습할 수 있습니다.

선형 회귀와 로지스틱 회귀는 두 가지 유형의 선형 모델입니다.

아이콘을 클릭하여 수학 문제를 확인합니다.

선형 모델은 다음 수식을 따릅니다.

$$y' = b + w_1x_1 + w_2x_2 + … w_nx_n$$

각 항목의 의미는 다음과 같습니다.

• y'는 원시 예측입니다. 특정 유형의 선형 모델에서는 이 원시 예측이 추가로 수정됩니다. 예를 들어 로지스틱 회귀를 참고하세요.
• b는 편향입니다.
• w는 가중치이므로 w₁은 첫 번째 특성의 가중치이고 w₂는 두 번째 특성의 가중치입니다.
• x는 특성이므로 x₁은 첫 번째 특성의 값이고 x₂는 두 번째 특성의 값입니다.

예를 들어 세 가지 특성에 관한 선형 모델이 다음과 같은 편향과 가중치를 학습한다고 가정합니다.

• b = 7
• w₁ = -2.5
• w₂ = -1.2
• w₃ = 1.4

따라서 세 가지 특성 (x₁, x₂, x₃)이 주어지면 선형 모델은 다음 방정식을 사용하여 각 예측을 생성합니다.

y' = 7 + (-2.5)(x1) + (-1.2)(x2) + (1.4)(x3)

특정 예시가 다음 값을 포함한다고 가정해 보겠습니다.

• x₁ = 4
• x₂ = -10
• x₃ = 5

이 값을 수식에 넣으면 이 예시의 예측이 나옵니다.

y' = 7 + (-2.5)(4) + (-1.2)(-10) + (1.4)(5)
y' = 16

선형 모델에는 선형 방정식만 사용하여 예측하는 모델뿐만 아니라 선형 방정식을 예측을 실행하는 수식의 한 구성요소로 사용하는 더 광범위한 모델도 포함됩니다. 예를 들어 로지스틱 회귀는 원시 예측(y')을 후처리하여 0과 1 사이의 최종 예측 값을 생성합니다(양 끝값 제외).

---

선형 회귀

#fundamentals

다음 두 가지가 모두 참인 머신러닝 모델 유형입니다.

• 이 모델은 선형 모델입니다.
• 예측은 부동 소수점 값입니다. 이는 선형 회귀의 회귀 부분입니다.

선형 회귀와 로지스틱 회귀를 비교합니다. 또한 회귀와 분류를 비교해 보세요.

로지스틱 회귀

#fundamentals

확률을 예측하는 회귀 모델의 한 유형입니다. 로지스틱 회귀 모델의 특성은 다음과 같습니다.

• 라벨은 범주형입니다. 로지스틱 회귀라는 용어는 일반적으로 이진 로지스틱 회귀, 즉 가능한 두 값이 있는 라벨의 확률을 계산하는 모델을 나타냅니다. 덜 일반적인 변형인 다항식 로지스틱 회귀는 가능한 값이 2개 이상인 라벨의 확률을 계산합니다.
• 학습 중 손실 함수는 로그 손실입니다. 값이 2개 이상인 라벨의 경우 여러 개의 Log Loss 단위를 동시에 배치할 수 있습니다.
• 이 모델은 심층신경망이 아닌 선형 아키텍처를 사용합니다. 그러나 이 정의의 나머지 부분은 카테고리 라벨의 확률을 예측하는 딥 모델에도 적용됩니다.

예를 들어 입력 이메일이 스팸일 확률을 계산하는 로지스틱 회귀 모델을 생각해 보겠습니다. 추론 중에 모델이 0.72를 예측한다고 가정해 보겠습니다. 따라서 모델은 다음을 추정합니다.

• 이메일이 스팸일 가능성이 72% 입니다.
• 이메일이 스팸이 아닐 확률은 28% 입니다.

로지스틱 회귀 모델은 다음과 같은 두 단계 아키텍처를 사용합니다.

1. 모델은 입력 특성의 선형 함수를 적용하여 원시 예측 (y')을 생성합니다.
2. 모델은 이 원시 예측을 시그모이드 함수의 입력으로 사용합니다. 이 함수는 원시 예측을 0과 1 사이의 값(양 끝값 제외)으로 변환합니다.

다른 회귀 모델과 마찬가지로 로지스틱 회귀 모델은 숫자를 예측합니다. 그러나 이 숫자는 일반적으로 다음과 같이 바이너리 분류 모델의 일부가 됩니다.

• 예측 숫자가 분류 임곗값보다 크면 이진 분류 모델은 양성 클래스를 예측합니다.
• 예측 수가 분류 임계값보다 작으면 이진 분류 모델은 음성 클래스를 예측합니다.

로그 손실

#fundamentals

바이너리 로지스틱 회귀에 사용되는 손실 함수입니다.

아이콘을 클릭하여 수학 문제를 확인합니다.

다음 수식으로 로그 손실을 계산합니다.

$$\text{Log Loss} = \sum_{(x,y)\in D} -y\log(y') - (1 - y)\log(1 - y')$$

각 항목의 의미는 다음과 같습니다.

• \((x,y)\in D\) 는 \((x,y)\) 쌍과 같이 여러 라벨이 지정된 예가 포함된 데이터 세트입니다.
• \(y\) 는 라벨이 지정된 예의 라벨입니다. 로지스틱 회귀이므로 \(y\) 값은 모두 0 또는 1이어야 합니다.
• \(y'\) 는 \(x\)의 특성 세트에 대한 예측값 (0과 1 사이의 값, 양 끝값 제외)입니다.

---

로그 오즈

#fundamentals

특정 사건의 확률 로그입니다.

아이콘을 클릭하여 수학 문제를 확인합니다.

이벤트가 이진 확률인 경우 오즈는 성공 확률 (p)과 실패 확률 (1-p)의 비율을 나타냅니다. 예를 들어 특정 이벤트의 성공 확률이 90%이고 실패 확률이 10% 라고 가정해 보겠습니다. 이 경우 배당률은 다음과 같이 계산됩니다.

$$ {\text{odds}} = \frac{\text{p}} {\text{(1-p)}} = \frac{.9} {.1} = {\text{9}} $$

로그 오즈는 단순히 오즈의 대수입니다. 관례에 따라 '대수'는 자연 대수를 의미하지만, 대수는 실제로 1보다 큰 모든 밑을 가질 수 있습니다. 따라서 관례에 따라 이 예시의 로그 오즈는 다음과 같습니다.

$$ {\text{log-odds}} = ln(9) ~= 2.2 $$

로그 오즈 함수는 시그모이드 함수의 역입니다.

---

손실

#fundamentals

지도 학습 모델의 학습 중에 모델의 예측이 라벨에서 얼마나 먼지를 나타내는 척도입니다.

손실 함수는 손실을 계산합니다.

손실 곡선

#fundamentals

학습 반복 횟수의 함수로 손실을 표시한 그래프입니다. 다음 플롯은 일반적인 손실 곡선을 보여줍니다.

손실 곡선을 사용하면 모델이 수렴 중이거나 과적합한지 확인할 수 있습니다.

손실 곡선은 다음과 같은 모든 유형의 손실을 표시할 수 있습니다.

• 학습 손실
• 검증 손실
• 테스트 손실

일반화 곡선도 참고하세요.

손실 함수

#fundamentals

학습 또는 테스트 중에 예시의 배치에서 손실을 계산하는 수학 함수입니다. 손실 함수는 잘 예측하는 모델의 경우 잘못 예측하는 모델보다 낮은 손실을 반환합니다.

학습의 목표는 일반적으로 손실 함수가 반환하는 손실을 최소화하는 것입니다.

다양한 종류의 손실 함수가 있습니다. 빌드하는 모델 유형에 적합한 손실 함수를 선택합니다. 예를 들면 다음과 같습니다.

• L₂ 손실 (또는 평균 제곱 오차)은 선형 회귀의 손실 함수입니다.
• 로그 손실은 로지스틱 회귀의 손실 함수입니다.

M

머신러닝

#fundamentals

입력 데이터에서 모델을 학습하는 프로그램 또는 시스템입니다. 학습된 모델은 모델 학습에 사용된 것과 동일한 분포에서 가져온 새로운 (이전에 보지 못한) 데이터에서 유용한 예측을 할 수 있습니다.

머신러닝은 이러한 프로그램 또는 시스템과 관련된 학문 분야를 가리키는 용어이기도 합니다.

다수 클래스

#fundamentals

클래스 불균형 데이터 세트에서 더 일반적으로 사용되는 라벨입니다. 예를 들어 99% 의 부정 라벨과 1% 의 긍정 라벨이 포함된 데이터 세트의 경우 부정 라벨이 다수 클래스입니다.

소수 클래스와 대비되는 개념입니다.

미니 배치

#fundamentals

한 번의 반복에서 처리되는 배치의 무작위로 선택된 소규모 하위 집합입니다. 미니 배치의 배치 크기는 일반적으로 예 10개부터 1,000개에 이릅니다.

예를 들어 전체 학습 세트 (전체 배치)가 1,000개의 예시로 구성되어 있다고 가정해 보겠습니다. 또한 각 미니 배치의 배치 크기를 20으로 설정한다고 가정해 보겠습니다. 따라서 각 반복은 1,000개의 예 중 무작위로 선택한 20개의 예에서 손실을 결정한 다음 가중치와 편향을 적절하게 조정합니다.

전체 배치의 모든 예시에서 손실을 계산하는 것보다 미니 배치에서 손실을 계산하는 것이 훨씬 효율적입니다.

소수 클래스

#fundamentals

클래스 불균형 데이터 세트의 덜 일반적인 라벨입니다. 예를 들어 99% 의 부정 라벨과 1% 의 긍정 라벨이 포함된 데이터 세트의 경우 긍정 라벨이 소수 클래스입니다.

다수 클래스와 대비되는 개념입니다.

추가 메모를 보려면 아이콘을 클릭하세요.

100만 개의 예시가 포함된 학습 세트는 인상적입니다. 하지만 소수 클래스가 제대로 표현되지 않으면 매우 큰 학습 세트도 충분하지 않을 수 있습니다. 데이터 세트의 총 예시 수보다는 소수 클래스의 예시 수에 더 중점을 둡니다.

데이터 세트에 소수 클래스 예시가 충분하지 않은 경우 다운샘플링 (두 번째 글머리기호의 정의)을 사용하여 소수 클래스를 보완해 보세요.

---

모델

#fundamentals

일반적으로 입력 데이터를 처리하고 출력을 반환하는 모든 수학적 구성입니다. 달리 표현하면 모델은 시스템이 예측하는 데 필요한 매개변수 및 구조의 집합입니다. 지도 머신러닝에서 모델은 예시를 입력으로 받아 예측을 출력으로 추론합니다. 지도 학습 머신러닝 내에서도 모델은 약간 다릅니다. 예를 들면 다음과 같습니다.

• 선형 회귀 모델은 가중치 집합과 편향으로 구성됩니다.
• 신경망 모델은 다음으로 구성됩니다.
  • 하나 이상의 뉴런을 포함하는 히든 레이어 집합입니다.
  • 각 뉴런과 연결된 가중치 및 편향입니다.
• 결정 트리 모델은 다음으로 구성됩니다.
  • 트리의 모양입니다. 즉, 조건과 리프가 연결된 패턴입니다.
  • 조건 및 잎

모델을 저장, 복원 또는 사본으로 만들 수 있습니다.

비지도 머신러닝은 모델도 생성합니다. 일반적으로 입력 예시를 가장 적절한 클러스터에 매핑할 수 있는 함수입니다.

아이콘을 클릭하여 대수 및 프로그래밍 함수를 ML 모델과 비교합니다.

다음과 같은 대수 함수는 모델입니다.

  f(x, y) = 3x -5xy + y2 + 17

위의 함수는 입력 값 (x 및 y)을 출력에 매핑합니다.

마찬가지로 다음과 같은 프로그래밍 함수도 모델입니다.

def half_of_greater(x, y):
  if (x > y):
    return(x / 2)
  else
    return(y / 2)

호출자가 이전 Python 함수에 인수를 전달하고 Python 함수는 return 문을 통해 출력을 생성합니다.

심층신경망은 대수학 또는 프로그래밍 함수와는 매우 다른 수학적 구조를 가지고 있지만, 심층신경망은 여전히 입력 (예시)을 받아 출력 (예측)을 반환합니다.

인간 프로그래머가 프로그래밍 함수를 수동으로 코딩합니다. 반면 머신러닝 모델은 자동화된 학습 중에 최적의 매개변수를 점진적으로 학습합니다.

---

다중 클래스 분류

#fundamentals

지도 학습에서 데이터 세트에 2개가 넘는 클래스의 라벨이 포함된 분류 문제입니다. 예를 들어 Iris 데이터 세트의 라벨은 다음 세 가지 클래스 중 하나여야 합니다.

• Iris setosa
• 아이리스 버지니카
• Iris versicolor

Iris 데이터 세트에서 학습되어 새 예시에서 Iris 유형을 예측하는 모델은 다중 클래스 분류를 실행하고 있습니다.

반면 정확히 두 개의 클래스를 구분하는 분류 문제는 이진 분류 모델입니다. 예를 들어 스팸 또는 스팸 아님을 예측하는 이메일 모델은 이진 분류 모델입니다.

클러스터링 문제에서 다중 클래스 분류는 2개 이상의 클러스터를 의미합니다.

N

음성 클래스

#fundamentals

이진 분류에서는 클래스 중 하나는 양성으로, 다른 하나는 음성으로 규정됩니다. 포지티브 클래스는 모델에서 테스트하는 대상이나 이벤트이고, 네거티브 클래스는 그와 다른 가능성입니다. 예를 들면 다음과 같습니다.

• 의료 검사의 네거티브 클래스는 '종양 아님'일 수 있습니다.
• 이메일 분류기의 네거티브 클래스는 '스팸 아님'일 수 있습니다.

양성 클래스와 대비되는 개념입니다.

출력은

#fundamentals

숨겨진 레이어가 하나 이상 포함된 모델입니다. 심층신경망은 히든 레이어가 2개 이상인 신경망의 한 유형입니다. 예를 들어 다음 다이어그램은 숨겨진 레이어가 두 개인 딥 신경망을 보여줍니다.

신경망의 각 뉴런은 다음 레이어의 모든 노드에 연결됩니다. 예를 들어 위의 다이어그램에서 첫 번째 히든 레이어의 세 뉴런은 각각 두 번째 히든 레이어의 두 뉴런에 개별적으로 연결됩니다.

컴퓨터에 구현된 신경망은 뇌 및 기타 신경계에서 발견되는 신경망과 구별하기 위해 인공 신경망이라고도 합니다.

일부 신경망은 다양한 특성과 라벨 간의 매우 복잡한 비선형 관계를 모방할 수 있습니다.

컨볼루셔널 신경망 및 순환 신경망도 참고하세요.

뉴런

#fundamentals

머신러닝에서 신경망의 숨겨진 레이어 내의 고유한 단위입니다. 각 뉴런은 다음과 같은 두 단계 작업을 실행합니다.

1. 입력 값에 해당 가중치를 곱한 가중치 합계를 계산합니다.
2. 가중 합계를 활성화 함수에 입력으로 전달합니다.

첫 번째 히든 레이어의 뉴런은 입력 레이어의 특성 값에서 입력을 받습니다. 첫 번째 레이어 이후의 히든 레이어에 있는 뉴런은 이전 히든 레이어의 뉴런에서 입력을 받습니다. 예를 들어 두 번째 히든 레이어의 뉴런은 첫 번째 히든 레이어의 뉴런에서 입력을 수신합니다.

다음 그림은 두 개의 뉴런과 입력을 강조 표시합니다.

신경망의 뉴런은 뇌 및 신경계의 다른 부분에 있는 뉴런의 동작을 모방합니다.

노드(node)(신경망)

#fundamentals

숨겨진 레이어의 뉴런

비선형

#fundamentals

덧셈과 곱셈을 통해서만 표현할 수 없는 두 개 이상의 변수 간의 관계입니다. 선형 관계는 선으로 표현할 수 있습니다. 비선형 관계는 선으로 표현할 수 없습니다. 예를 들어 각각 단일 특성을 단일 라벨과 연결하는 두 모델을 생각해 보겠습니다. 왼쪽 모델은 선형이고 오른쪽 모델은 비선형입니다.

비정상성

#fundamentals

하나 이상의 측정기준(일반적으로 시간)에서 값이 변경되는 지형지물입니다. 예를 들어 다음과 같은 비정상 상태를 생각해 보세요.

• 특정 매장에서 판매되는 수영복의 수는 시즌에 따라 다릅니다.
• 특정 지역에서 수확되는 특정 과일의 양은 대부분의 경우 0이지만 짧은 기간 동안은 많습니다.
• 기후 변화로 인해 연평균 기온이 변하고 있습니다.

정상성과 대비되는 개념입니다.

정규화

#fundamentals

대략적으로 말해 변수의 실제 값 범위를 표준 값 범위로 변환하는 프로세스입니다. 예를 들면 다음과 같습니다.

• -1~+1
• 0~1
• Z 점수 (대략 -3~+3)

예를 들어 특정 지형지물의 실제 값 범위가 800~2,400이라고 가정해 보겠습니다. 기능 엔지니어링의 일환으로 실제 값을 -1~+1과 같은 표준 범위로 표준화할 수 있습니다.

정규화는 기능 엔지니어링에서 일반적인 작업입니다. 일반적으로 특성 벡터의 모든 숫자 특성이 대략 동일한 범위를 가지면 모델이 더 빠르게 학습하고 더 나은 예측을 생성합니다.

자세한 내용은 머신러닝 단기집중과정의 숫자 데이터 작업 모듈을 참고하세요. Z-점수 정규화도 참고하세요.

수치 데이터

#fundamentals

정수 또는 실수로 나타낸 특성입니다. 예를 들어 주택 감정 모델은 주택 크기 (제곱피트 또는 제곱미터)를 숫자 데이터로 나타낼 수 있습니다. 특성을 숫자 데이터로 나타내면 특성 값이 라벨과 수학적 관계가 있음을 나타냅니다. 즉, 주택의 면적은 주택 가격과 수학적 관계가 있을 수 있습니다.

모든 정수 데이터를 숫자 데이터로 표현할 필요는 없습니다. 예를 들어 일부 지역의 우편번호는 정수이지만 정수 우편번호는 모델에서 숫자 데이터로 표현되어서는 안 됩니다. 이는 20000 우편번호가 10000 우편번호의 두 배 (또는 절반)가 아니기 때문입니다. 또한 우편번호가 다르면 부동산 가치가 달라지지만 우편번호 20000의 부동산 가치가 우편번호 10000의 부동산 가치의 두 배라고 가정할 수는 없습니다. 따라서 우편번호는 범주형 데이터로 표현되어야 합니다.

수치 특성을 연속 특성이라고도 합니다.

O

오프라인

#fundamentals

정적의 동의어입니다.

오프라인 추론

#fundamentals

모델이 일련의 예측을 생성한 후 이러한 예측을 캐시 (저장)하는 프로세스입니다. 그러면 앱은 모델을 다시 실행하는 대신 캐시에서 추론된 예측에 액세스할 수 있습니다.

예를 들어 4시간마다 지역 일기 예보(예측)를 생성하는 모델을 생각해 보세요. 각 모델 실행 후 시스템은 모든 현지 일기 예보를 캐시합니다. 날씨 앱은 캐시에서 예측을 가져옵니다.

오프라인 추론을 정적 추론이라고도 합니다.

온라인 추론과 대비되는 개념입니다.

원-핫 인코딩

#fundamentals

다음과 같이 범주형 데이터를 벡터로 표현합니다.

• 하나의 요소가 1로 설정됩니다.
• 다른 모든 요소는 0으로 설정됩니다.

원-핫 인코딩은 가능한 값의 유한집합을 갖는 문자열 또는 식별자를 표현하는 데 널리 사용됩니다. 예를 들어 Scandinavia라는 특정 범주형 특성에 가능한 값이 5개 있다고 가정해 보겠습니다.

• '덴마크'
• '스웨덴'
• '노르웨이'
• '핀란드'
• '아이슬란드'

원핫 인코딩은 다음과 같이 다섯 가지 값을 각각 나타낼 수 있습니다.

국가	벡터
'덴마크'	1	0	0	0	0
'스웨덴'	0	1	0	0	0
'노르웨이'	0	0	1	0	0
'핀란드'	0	0	0	1	0
'아이슬란드'	0	0	0	0	1

원-핫 인코딩을 사용하면 모델이 5개 국가 각각을 기반으로 서로 다른 연결을 학습할 수 있습니다.

특성을 숫자 데이터로 나타내는 것은 원-핫 인코딩의 대안입니다. 안타깝게도 스칸디나비아 국가를 숫자로 표시하는 것은 좋은 선택이 아닙니다. 예를 들어 다음 숫자 표현을 살펴보겠습니다.

• '덴마크'는 0입니다.
• '스웨덴'은 1입니다.
• '노르웨이'는 2입니다.
• '핀란드'는 3입니다.
• '아이슬란드'는 4입니다.

숫자 인코딩을 사용하면 모델이 원시 숫자를 수학적으로 해석하고 이러한 숫자로 학습하려고 시도합니다. 하지만 아이슬란드는 실제로 노르웨이의 두 배 (또는 절반)가 아니므로 모델은 이상한 결론을 내리게 됩니다.

일대다

#fundamentals

클래스가 N개인 분류 문제에서, 솔루션은 가능한 각 결과에 하나씩 서로 다른 N개의 이진 분류자로 구성됩니다. 예를 들어 예시를 동물, 채소, 광물로 분류하는 모델이 있는 경우 일대다 솔루션은 다음과 같은 세 가지 이진 분류자를 제공합니다.

• 동물과 동물이 아닌 것
• 채소와 채소가 아닌 것
• 광물과 비광물

online

#fundamentals

동적의 동의어입니다.

온라인 추론

#fundamentals

요청에 따라 예측을 생성합니다. 예를 들어 앱이 입력을 모델에 전달하고 예측 요청을 실행한다고 가정해 보겠습니다. 온라인 추론을 사용하는 시스템은 모델을 실행하고 예측을 앱에 반환하여 요청에 응답합니다.

오프라인 추론과 대비되는 개념입니다.

출력 레이어

#fundamentals

신경망의 '최종' 레이어입니다. 출력 레이어에는 예측이 포함됩니다.

다음 그림은 입력 레이어, 히든 레이어 2개, 출력 레이어가 있는 소형 심층 신경망을 보여줍니다.

과적합

#fundamentals

생성된 모델이 학습 데이터와 지나치게 일치하여 새 데이터를 올바르게 예측하지 못하는 경우입니다.

정규화를 사용하면 과적합을 줄일 수 있습니다. 다양하고 대규모인 학습 세트에서 학습하면 과적합을 줄일 수도 있습니다.

추가 메모를 보려면 아이콘을 클릭하세요.

오버피팅은 좋아하는 선생님의 조언만 엄격하게 따르는 것과 같습니다. 이 선생님의 수업에서는 성공할 수 있지만, 이 선생님의 아이디어에 '오버핏'되어 다른 수업에서는 실패할 수 있습니다. 여러 선생님의 조언을 따르다 보면 새로운 상황에 더 잘 적응할 수 있습니다.

---

P

pandas

#fundamentals

numpy를 기반으로 빌드된 열 지향 데이터 분석 API입니다. TensorFlow를 비롯한 많은 머신러닝 프레임워크에서 pandas 데이터 구조를 입력으로 지원합니다. 자세한 내용은 Pandas 문서를 참고하세요.

parameter

#fundamentals

모델이 학습 중에 학습하는 가중치 및 편향입니다. 예를 들어 선형 회귀 모델에서 매개변수는 다음 수식의 편향 (b)과 모든 가중치 (w₁, w₂ 등)로 구성됩니다.

$$y' = b + w_1x_1 + w_2x_2 + … w_nx_n$$

반면 초매개변수는 사용자 (또는 초매개변수 조정 서비스)가 모델에 제공하는 값입니다. 예를 들어 학습률은 초매개변수 중 하나입니다.

양성 클래스

#fundamentals

테스트 중인 클래스입니다.

예를 들어 암 모델의 포지티브 클래스는 '종양'일 수 있습니다. 이메일 분류기의 포지티브 클래스는 '스팸'일 수 있습니다.

네거티브 클래스와 대비되는 개념입니다.

추가 메모를 보려면 아이콘을 클릭하세요.

양성 클래스라는 용어는 혼란스러울 수 있습니다. 많은 테스트의 '양성' 결과가 바람직하지 않은 결과인 경우가 많기 때문입니다. 예를 들어 많은 의료 검사의 포지티브 클래스는 종양 또는 질병에 해당합니다. 일반적으로 의사가 '축하합니다. 검사 결과가 음성입니다.' 어쨌든 포지티브 클래스는 테스트에서 찾으려는 이벤트입니다.

물론 양성 클래스와 음성 클래스를 동시에 테스트하고 있습니다.

---

후처리

#fairness

#fundamentals

모델이 실행된 후 모델의 출력을 조정합니다. 후처리를 사용하면 모델 자체를 수정하지 않고도 공정성 제약조건을 적용할 수 있습니다.

예를 들어 양성 예측률이 속성의 모든 값에 대해 동일한지 확인하여 일부 속성에 대해 기회 균등성이 유지되도록 분류 기준을 설정하여 이진 분류기에 후처리를 적용할 수 있습니다.

예측

#fundamentals

모델의 출력입니다. 예를 들면 다음과 같습니다.

• 이진 분류 모델의 예측은 포지티브 클래스 또는 네거티브 클래스입니다.
• 다중 클래스 분류 모델의 예측은 하나의 클래스입니다.
• 선형 회귀 모델의 예측은 숫자입니다.

유추 라벨

#fundamentals

데이터 세트에서 직접 사용할 수 없는 라벨을 대략적으로 지정하는 데 사용되는 데이터입니다.

예를 들어 직원의 스트레스 수준을 예측하는 모델을 학습해야 한다고 가정해 보겠습니다. 데이터 세트에 많은 예측 기능이 포함되어 있지만 스트레스 수준이라는 라벨은 포함되어 있지 않습니다. 실망하지 않고 '직장 사고'를 스트레스 수준의 대리 라벨로 선택합니다. 결국 스트레스가 심한 직원은 침착한 직원보다 사고를 더 많이 겪게 됩니다. 아니면 그렇지 않나요? 직장 사고는 여러 가지 이유로 실제로 증가하거나 감소할 수 있습니다.

두 번째 예로, is it raining?을 데이터 세트의 불리언 라벨로 지정하려고 하지만 데이터 세트에 비 데이터가 없다고 가정해 보겠습니다. 사진을 사용할 수 있는 경우 우산을 들고 있는 사람의 사진을 is it raining?에 대한 유추 라벨로 지정할 수 있습니다. 좋은 대리 라벨인가요? 그럴 수도 있지만, 어떤 문화에서는 비보다 햇빛을 가리기 위해 우산을 들고 다니는 경우가 더 많을 수 있습니다.

프록시 라벨은 종종 불완전합니다. 가능하면 프록시 라벨보다 실제 라벨을 선택하세요. 하지만 실제 라벨이 없는 경우 가장 나쁜 프록시 라벨 후보를 선택하여 프록시 라벨을 매우 신중하게 선택합니다.

R

RAG

#fundamentals

검색 증강 생성의 약어입니다.

평가자

#fundamentals

예시에 라벨을 제공하는 사람입니다. 'Annotator'는 평가자의 다른 이름입니다.

정류 선형 유닛 (ReLU)

#fundamentals

다음과 같은 동작을 하는 활성화 함수입니다.

• 입력이 음수 또는 0이면 출력은 0입니다.
• 입력이 양수이면 출력은 입력과 같습니다.

예를 들면 다음과 같습니다.

• 입력이 -3이면 출력은 0입니다.
• 입력이 +3이면 출력은 3.0입니다.

다음은 ReLU의 그래프입니다.

ReLU는 매우 인기 있는 활성화 함수입니다. ReLU는 단순한 동작에도 불구하고 신경망이 특성과 라벨 간의 비선형 관계를 학습할 수 있도록 합니다.

회귀 모델

#fundamentals

비공식적으로는 숫자 예측을 생성하는 모델을 의미합니다. 반면 분류 모델은 클래스 예측을 생성합니다. 예를 들어 다음은 모두 회귀 모델입니다.

• 특정 주택의 가격(예: 423,000유로)을 유로로 예측하는 모델
• 특정 나무의 수명을 연 단위(예: 23.2)로 예측하는 모델입니다.
• 다음 6시간 동안 특정 도시에 내릴 강우량(인치)을 예측하는 모델(예: 0.18)

일반적인 두 가지 회귀 모델 유형은 다음과 같습니다.

• 선형 회귀: 라벨 값을 특성에 가장 잘 맞는 선을 찾습니다.
• 로지스틱 회귀: 시스템이 일반적으로 클래스 예측에 매핑하는 0.0과 1.0 사이의 확률을 생성합니다.

수치 예측을 출력하는 모든 모델이 회귀 모델은 아닙니다. 숫자 예측이 숫자 클래스 이름을 가진 분류 모델일 때도 있습니다. 예를 들어 숫자 우편번호를 예측하는 모델은 회귀 모델이 아니라 분류 모델입니다.

정규화

#fundamentals

과적합을 줄이는 모든 메커니즘 많이 사용되는 정규화 유형은 다음과 같습니다.

• L₁ 정규화
• L₂ 정규화
• 드롭아웃 정규화
• 조기 중단 (정식으로 인정되는 정규화 방식은 아니지만 과적합을 효과적으로 제한할 수 있음)

정규화는 모델 복잡성에 대한 불이익으로 정의할 수도 있습니다.

추가 메모를 보려면 아이콘을 클릭하세요.

정규화는 직관에 어긋납니다. 정규화를 늘리면 일반적으로 학습 손실이 증가합니다. 학습 손실을 최소화하는 것이 목표가 아닌가요?

실제로는 그렇지 않습니다. 학습 손실을 최소화하는 것이 목표가 아닙니다. 목표는 실제 예시를 기반으로 우수한 예측을 하는 것입니다. 놀랍게도 정규화를 늘리면 학습 손실이 증가하지만 일반적으로 모델이 실제 예시를 더 잘 예측하는 데 도움이 됩니다.

---

정규화율

#fundamentals

학습 중 정규화의 상대적 중요도를 지정하는 숫자입니다. 정규화 비율을 높이면 과적합이 줄어들지만 모델의 예측력이 저하될 수 있습니다. 반대로 정규화 비율을 줄이거나 생략하면 과적합이 증가합니다.

아이콘을 클릭하여 수학 문제를 확인합니다.

정규화 비율은 일반적으로 그리스 문자 람다로 표시됩니다. 다음은 람다의 영향을 보여주는 단순화된 손실 방정식입니다.

$$\text{minimize(loss function + }\lambda\text{(regularization))}$$

여기서 정규화는 다음을 포함한 모든 정규화 메커니즘입니다.

• L₁ 정규화
• L₂ 정규화

---

ReLU

#fundamentals

정류 선형 유닛의 약어입니다.

검색 증강 생성 (RAG)

#fundamentals

모델이 학습된 후에 검색된 지식 소스로 대규모 언어 모델 (LLM) 출력을 기반으로 하여 품질을 개선하는 기법입니다. RAG는 학습된 LLM에 신뢰할 수 있는 기술 자료 또는 문서에서 검색된 정보에 대한 액세스 권한을 제공하여 LLM 응답의 정확성을 개선합니다.

검색 증강 생성을 사용하는 일반적인 동기는 다음과 같습니다.

• 모델의 생성된 응답의 사실적 정확성을 높이는 것입니다.
• 모델이 학습하지 않은 지식에 액세스할 수 있도록 허용
• 모델이 사용하는 지식을 변경합니다.
• 모델이 출처를 인용하도록 사용 설정

예를 들어 화학 앱에서 PaLM API를 사용하여 사용자 검색어와 관련된 요약을 생성한다고 가정해 보겠습니다. 앱의 백엔드가 쿼리를 수신하면 백엔드는 다음을 실행합니다.

1. 사용자의 검색어와 관련된 데이터를 검색 ('검색')합니다.
2. 관련 화학 데이터를 사용자의 쿼리에 추가 ('증강')합니다.
3. 추가된 데이터를 기반으로 요약을 생성하도록 LLM에 지시합니다.

수신자 조작 특성 곡선 (ROC 곡선, Receiver Operating Characteristic curve)

#fundamentals

이진 분류에서 다양한 분류 기준에 대한 참양성률과 거짓양성률의 그래프입니다.

ROC 곡선의 모양은 이진 분류 모델이 양성 클래스를 음성 클래스와 구분하는 능력을 나타냅니다. 예를 들어 이진 분류 모델이 모든 음성 클래스를 모든 양성 클래스와 완벽하게 구분한다고 가정해 보겠습니다.

위의 모델의 ROC 곡선은 다음과 같습니다.

반대로 다음 그림은 음성 클래스를 양성 클래스와 전혀 구분할 수 없는 형편없는 모델의 원시 로지스틱 회귀 값을 그래프로 보여줍니다.

이 모델의 ROC 곡선은 다음과 같습니다.

한편 실제 환경에서는 대부분의 이진 분류 모델이 포지티브 클래스와 네거티브 클래스를 어느 정도 구분하지만 일반적으로 완벽하지는 않습니다. 따라서 일반적인 ROC 곡선은 두 극단 사이에 있습니다.

(0.0,1.0)에 가장 가까운 ROC 곡선의 점은 이론적으로 이상적인 분류 기준점을 나타냅니다. 그러나 이상적인 분류 기준을 선택하는 데는 다른 여러 실제 문제가 영향을 미칩니다. 예를 들어 거짓음성이 거짓양성보다 훨씬 더 큰 문제를 일으킬 수 있습니다.

AUC라는 수치 측정항목은 ROC 곡선을 단일 부동 소수점 값으로 요약합니다.

평균 제곱근 오차(RMSE)

#fundamentals

평균 제곱 오차의 제곱근입니다.

S

시그모이드 함수

#fundamentals

입력 값을 제한된 범위(일반적으로 0~1 또는 -1~+1)로 '압축'하는 수학 함수입니다. 즉, 어떤 숫자 (2, 100만, 마이너스 10억 등)를 시그모이드에 전달해도 출력은 여전히 제약된 범위에 있습니다. 시그모이드 활성화 함수의 그래프는 다음과 같습니다.

시그모이드 함수는 머신러닝에서 다음과 같은 여러 가지 용도로 사용됩니다.

• 로지스틱 회귀 또는 다항식 회귀 모델의 원시 출력을 확률로 변환합니다.
• 일부 신경망에서 활성화 함수 역할을 합니다.

아이콘을 클릭하여 수학 문제를 확인합니다.

입력 숫자 x에 대한 시그모이드 함수는 다음과 같은 수식을 갖습니다.

$$ sigmoid(x) = \frac{1}{1 + e^{-\text{x}}} $$

머신러닝에서 x는 일반적으로 가중치 합계입니다.

---

소프트맥스

#fundamentals

다중 클래스 분류 모델에서 가능한 각 클래스의 확률을 결정하는 함수입니다. 확률의 합계는 정확히 1.0입니다. 예를 들어 다음 표는 소프트맥스가 다양한 확률을 분산하는 방식을 보여줍니다.

이미지가...	확률
개	.85
고양이	.13
말	.02

소프트맥스는 전체 소프트맥스라고도 합니다.

후보 샘플링과 대비되는 개념입니다.

아이콘을 클릭하여 수학 문제를 확인합니다.

소프트맥스 방정식은 다음과 같습니다.

$$\sigma_i = \frac{e^{\text{z}_i}} {\sum_{j=1}^{j=K} {e^{\text{z}_j}}} $$

각 항목의 의미는 다음과 같습니다.

• $\sigma_i$ 는 출력 벡터입니다. 출력 벡터의 각 요소는 이 요소의 확률을 지정합니다. 출력 벡터의 모든 요소의 합계는 1.0입니다. 출력 벡터는 입력 벡터 $z$와 동일한 수의 요소를 포함합니다.
• $z$ 는 입력 벡터입니다. 입력 벡터의 각 요소에는 부동 소수점 값이 포함됩니다.
• $K$ 는 입력 벡터 (및 출력 벡터)의 요소 수입니다.

예를 들어 입력 벡터가 다음과 같다고 가정해 보겠습니다.

[1.2, 2.5, 1.8]

따라서 softmax는 다음과 같이 분모를 계산합니다.

$$\text{denominator} = e^{1.2} + e^{2.5} + e^{1.8} = 21.552$$

따라서 각 요소의 소프트맥스 확률은 다음과 같습니다.

$$\sigma_1 = \frac{e^{1.2}}{21.552} = 0.154 $$ $$\sigma_2 = \frac{e^{2.5}}{21.552} = 0.565 $$ $$\sigma_1 = \frac{e^{1.8}}{21.552} = 0.281 $$

따라서 출력 벡터는 다음과 같습니다.

$$\sigma = [0.154, 0.565, 0.281]$$

$\sigma$ 의 세 요소의 합은 1.0입니다. 다양한 혜택이 마음에 드셨나요?

---

희소 지형지물

#language

#fundamentals

값이 대부분 0이거나 비어 있는 특징입니다. 예를 들어 1 값 1개와 0 값 100만 개가 포함된 특성은 희소합니다. 반면 밀집된 특징은 대부분 0이 아니거나 비어 있지 않은 값을 갖습니다.

머신러닝에서 놀라운 수의 특성이 희소한 특성입니다. 범주형 특성은 일반적으로 희소한 특성입니다. 예를 들어 숲에 있는 300가지 수종 중 단일 예시로 단풍나무만 식별할 수 있습니다. 또는 동영상 보관함에 있는 수백만 개의 동영상 중 단일 예시가 '카사블랑카'만 식별할 수도 있습니다.

모델에서는 일반적으로 원-핫 인코딩으로 희소 특성을 나타냅니다. 원-핫 인코딩이 큰 경우 효율성을 높이기 위해 원-핫 인코딩 위에 임베딩 레이어를 배치할 수 있습니다.

희소 표현

#language

#fundamentals

희소한 지형지물에 0이 아닌 요소의 위치만 저장합니다.

예를 들어 species라는 범주형 특성이 특정 숲의 36가지 수종을 식별한다고 가정해 보겠습니다. 또한 각 예가 단일 종만 식별한다고 가정합니다.

원핫 벡터를 사용하여 각 예시에서 나무 종을 나타낼 수 있습니다. 원-핫 벡터는 단일 1 (예시의 특정 수종을 나타내기 위해)와 35개의 0 (예시의 해당하지 않는 35가지 수종을 나타내기 위해)를 포함합니다. 따라서 maple의 원-핫 표현은 다음과 같이 표시될 수 있습니다.

또는 희소 표현은 특정 종의 위치만 식별합니다. maple가 24번 위치에 있으면 maple의 희소 표현은 다음과 같습니다.

24

희소 표현은 원핫 표현보다 훨씬 더 컴팩트합니다.

참고: 희소 표현을 모델에 직접적인 특성 입력으로 전달해서는 안 됩니다. 대신 학습하기 전에 희소 표현을 원핫 표현으로 변환해야 합니다.

아이콘을 클릭하면 약간 더 복잡한 예시를 확인할 수 있습니다.

모델의 각 예시가 영어 문장의 단어를 나타내야 하지만 단어의 순서는 나타내지 않아야 한다고 가정해 보겠습니다. 영어는 약 170,000개의 단어로 구성되므로 영어는 약 170,000개의 요소가 있는 카테고리형 특성입니다. 대부분의 영어 문장은 이 170,000단어 중 극히 일부만 사용하므로 단일 예시의 단어 집합은 거의 확실히 희소 데이터가 될 것입니다.

다음 문장을 생각해 보세요.

My dog is a great dog

원-핫 벡터의 변형을 사용하여 이 문장의 단어를 나타낼 수 있습니다. 이 변형에서는 벡터의 여러 셀에 0이 아닌 값이 포함될 수 있습니다. 또한 이 변형에서는 셀에 1이 아닌 정수가 포함될 수 있습니다. 'my', 'is', 'a', 'great'라는 단어는 문장에 한 번만 나타나지만 'dog'라는 단어는 두 번 나타납니다. 이 원-핫 벡터 변형을 사용하여 이 문장의 단어를 표현하면 다음과 같은 170,000개 요소 벡터가 생성됩니다.

동일한 문장의 희소 표현은 다음과 같습니다.

0: 1
26100: 2
45770: 1
58906: 1
91520: 1

---

헷갈리면 아이콘을 클릭하세요.

'희소 표현'이라는 용어는 많은 사람들을 혼란스럽게 합니다. 희소 표현 자체가 희소 벡터가 아니기 때문입니다. 오히려 희소 표현은 실제로 희소 벡터의 밀집 표현입니다. 색인 표현이라는 동의어는 '희소 표현'보다 조금 더 명확합니다.

---

희소 벡터

#fundamentals

값이 대부분 0인 벡터입니다. 희소 특성 및 희소성도 참고하세요.

제곱 손실

#fundamentals

L₂ 손실의 동의어입니다.

정적

#fundamentals

연속적으로 이루어지는 것이 아니라 한 번만 이루어지는 작업 정적과 오프라인은 동의어입니다. 다음은 머신러닝에서 정적 및 오프라인의 일반적인 사용 사례입니다.

• 정적 모델 (또는 오프라인 모델)은 한 번 학습된 후 일정 기간 사용되는 모델입니다.
• 정적 학습 (또는 오프라인 학습)은 정적 모델을 학습하는 프로세스입니다.
• 정적 추론 (또는 오프라인 추론)은 모델이 한 번에 일괄 예측을 생성하는 프로세스입니다.

동적과 대비되는 개념입니다.

정적 추론

#fundamentals

오프라인 추론의 동의어입니다.

정규성

#fundamentals

하나 이상의 측정기준(일반적으로 시간)에서 값이 변경되지 않는 지형지물입니다. 예를 들어 2021년과 2023년에 값이 거의 비슷한 특성은 정체성을 보입니다.

실제 환경에서는 정규성을 보이는 지형지물이 거의 없습니다. 안정성과 동의어인 지형지물 (예: 해수면)도 시간이 지남에 따라 변합니다.

비정상성과 대비되는 개념입니다.

확률적 경사하강법 (SGD)

#fundamentals

배치 크기가 1인 경사하강법 알고리즘입니다. 즉, SGD는 학습 세트에서 무작위로 균일하게 선택한 하나의 예를 사용하여 학습합니다.

지도 머신러닝

#fundamentals

특성 및 해당 라벨로 모델을 학습합니다. 지도 머신러닝은 일련의 질문과 이에 상응하는 답변을 연구하여 특정 과목을 학습하는 것과 유사합니다. 질문과 답변 간의 매핑을 마스터한 후 학생은 동일한 주제에 관한 새로운 (이전에 본 적이 없는) 질문에 답변할 수 있습니다.

비지도 머신러닝과 비교되는 개념입니다.

합성 지형지물

#fundamentals

입력 특성 중에는 없지만 하나 이상의 입력 특성으로부터 조합된 특성입니다. 합성 지형지물을 만드는 방법은 다음과 같습니다.

• 연속 특성을 범위 빈으로 버케팅합니다.
• 특성 교차를 생성합니다.
• 하나의 특성 값에 다른 특성 값이나 자체 특성 값을 곱하거나 나눕니다. 예를 들어 a 및 b가 입력 특성인 경우 다음은 합성 특성의 예입니다.
  • ab
  • a²
• 지형지물 값에 초월 함수를 적용합니다. 예를 들어 c가 입력 특성이면 다음은 합성 특성의 예입니다.
  • sin(c)
  • ln(c)

정규화 또는 크기 조정만으로 생성한 특성은 합성 특성에 해당하지 않습니다.

T

테스트 손실

#fundamentals

테스트 세트에 대한 모델의 손실을 나타내는 측정항목입니다. 모델을 빌드할 때는 일반적으로 테스트 손실을 최소화하려고 합니다. 낮은 테스트 손실은 낮은 학습 손실 또는 낮은 검증 손실보다 강력한 품질 신호이기 때문입니다.

테스트 손실과 학습 손실 또는 검증 손실 간에 큰 차이가 있는 경우 정규화 비율을 늘려야 할 수 있습니다.

학습

#fundamentals

모델을 구성하는 이상적인 매개변수 (가중치 및 편향)를 결정하는 과정입니다. 학습 중에 시스템은 예시를 읽고 매개변수를 점진적으로 조정합니다. 학습에서는 각 예시를 몇 번에서 수십억 번까지 사용합니다.

학습 손실

#fundamentals

특정 학습 반복 중에 모델의 손실을 나타내는 측정항목입니다. 예를 들어 손실 함수가 평균 제곱 오차라고 가정해 보겠습니다. 10번째 반복의 학습 손실 (평균 제곱 오차)이 2.2이고 100번째 반복의 학습 손실이 1.9일 수 있습니다.

손실 곡선은 학습 손실과 반복 횟수를 비교하여 표시합니다. 손실 곡선은 학습에 관한 다음과 같은 힌트를 제공합니다.

• 하향 경사는 모델이 개선되고 있음을 의미합니다.
• 오르막은 모델이 점점 나빠지고 있음을 의미합니다.
• 완만한 경사는 모델이 수렴에 도달했음을 의미합니다.

예를 들어 다음과 같이 다소 이상화된 손실 곡선은 다음을 보여줍니다.

• 초기 반복 중에 급격한 하향 경사가 나타나며 이는 빠른 모델 개선을 의미합니다.
• 학습이 거의 끝날 때까지 점차 평평해지지만 여전히 하향하는 경사선으로, 초기 반복보다 다소 느린 속도로 모델이 계속 개선되고 있음을 나타냅니다.
• 학습이 끝날 때 수렴을 나타내는 평평한 경사

학습 손실도 중요하지만 일반화도 참고하세요.

학습-제공 편향

#fundamentals

학습 중의 모델 성능과 제공 중의 동일한 모델 성능의 차이입니다.

학습 세트

#fundamentals

모델을 학습시키는 데 사용되는 데이터 세트의 하위 집합입니다.

일반적으로 데이터 세트의 예시는 다음 세 가지 하위 집합으로 나뉩니다.

• 학습 세트
• 검증 세트
• 테스트 세트

이상적으로는 데이터 세트의 각 예시가 위의 하위 집합 중 하나에만 속해야 합니다. 예를 들어 하나의 예시는 학습 세트와 검증 세트에 모두 속해서는 안 됩니다.

참음성 (TN)

#fundamentals

모델에서 네거티브 클래스를 올바르게 예측한 예입니다. 예를 들어 모델에서 특정 이메일 메시지가 스팸이 아님이라고 추론했으며 실제로도 스팸이 아님인 경우가 여기에 해당합니다.

참양성 (TP)

#fundamentals

모델에서 포지티브 클래스를 올바르게 예측한 예입니다. 예를 들어 모델에서 특정 이메일 메시지가 스팸인 것으로 추론했으며 실제로도 스팸이었던 경우가 여기에 해당합니다.

참양성률 (TPR)

#fundamentals

재현율의 동의어입니다. 이는 다음과 같은 의미입니다.

$$\text{true positive rate} = \frac{\text{true positives}} {\text{true positives} + \text{false negatives}}$$

참양성률은 ROC 곡선의 y축입니다.

U

과소적합

#fundamentals

모델이 학습 데이터의 복잡성을 완전히 포착하지 못하여 예측 능력이 떨어지는 모델을 생성하는 경우입니다. 다음과 같은 여러 문제로 인해 과소적합이 발생할 수 있습니다.

• 잘못된 특성 세트 학습
• 너무 적은 에포크 또는 너무 낮은 학습률로 학습
• 너무 높은 정규화율로 학습
• 심층신경망에 히든 레이어가 너무 적습니다.

라벨이 없는 예

#fundamentals

지형지물은 포함되어 있지만 라벨은 포함되지 않은 예시입니다. 예를 들어 다음 표에는 주택 가치 평가 모델의 라벨이 지정되지 않은 세 가지 예시가 나와 있습니다. 각 예시에는 세 가지 지형지물이 있지만 주택 가치는 없습니다.

침실 수	욕실 수	주택 연식
3	2	15
2	1	72
4	2	34

지도 머신러닝에서는 모델이 라벨이 지정된 예시를 학습하고 라벨이 지정되지 않은 예시를 예측합니다.

준지도 및 비지도 학습에서는 학습 중에 라벨이 없는 예가 사용됩니다.

라벨이 없는 예시와 라벨이 있는 예시를 비교해 보세요.

비지도 머신러닝

#clustering

#fundamentals

일반적으로 라벨이 없는 데이터 세트에서 패턴을 찾도록 모델을 학습시킵니다.

비지도 머신러닝의 가장 일반적인 용도는 데이터를 서로 비슷한 예의 그룹으로 클러스터링하는 것입니다. 예를 들어 비지도 머신러닝 알고리즘은 음악의 다양한 속성을 기반으로 노래를 클러스터링할 수 있습니다. 이렇게 생성된 클러스터는 다른 머신러닝 알고리즘 (예: 음악 추천 서비스)의 입력으로 사용될 수 있습니다. 유용한 라벨이 부족하거나 없는 경우 클러스터링이 유용할 수 있습니다. 예를 들어 악용 및 사기 방지와 같은 분야에서 클러스터는 사람이 데이터를 이해하는 데 도움을 줄 수 있습니다.

지도 머신러닝과 대비되는 개념입니다.

추가 메모를 보려면 아이콘을 클릭하세요.

비지도 머신러닝의 또 다른 예는 주성분 분석 (PCA)입니다. 예를 들어 장바구니 수백만 개의 내용을 포함하는 데이터 세트에 PCA를 적용하면 레몬이 들어있는 장바구니에 제산제가 같이 들어있는 경우가 많다는 사실이 드러날 수 있습니다.

---

V

validation

#fundamentals

모델 품질에 대한 초기 평가입니다. 검증은 검증 세트를 기준으로 모델의 예측 품질을 확인합니다.

검증 세트는 학습 세트와 다르므로 검증을 통해 과적합을 방지할 수 있습니다.

검증 세트를 기준으로 모델을 평가하는 것을 첫 번째 테스트 라운드로, 테스트 세트를 기준으로 모델을 평가하는 것을 두 번째 테스트 라운드로 생각할 수 있습니다.

유효성 검사 손실

#fundamentals

특정 반복의 학습 중에 검증 세트에서 모델의 손실을 나타내는 측정항목입니다.

일반화 곡선도 참고하세요.

검증 세트

#fundamentals

학습된 모델에 대해 초기 평가를 실행하는 데이터 세트의 하위 집합입니다. 일반적으로 테스트 세트를 기준으로 모델을 평가하기 전에 검증 세트를 기준으로 학습된 모델을 여러 번 평가합니다.

일반적으로 데이터 세트의 예시를 다음 세 가지 하위 집합으로 나눕니다.

• 학습 세트
• 검증 세트
• 테스트 세트

이상적으로는 데이터 세트의 각 예시가 위의 하위 집합 중 하나에만 속해야 합니다. 예를 들어 하나의 예시는 학습 세트와 검증 세트에 모두 속해서는 안 됩니다.

W

무게

#fundamentals

모델이 다른 값으로 곱하는 값입니다. 학습은 모델의 이상적인 가중치를 결정하는 프로세스이고, 추론은 학습된 가중치를 사용하여 예측을 수행하는 프로세스입니다.

아이콘을 클릭하여 선형 모델의 가중치 예시를 확인합니다.

두 개의 특성이 있는 선형 모델을 가정해 보겠습니다. 학습에서 다음과 같은 가중치 (및 편향)를 결정한다고 가정해 보겠습니다.

• 편향 b는 2.2입니다.
• 한 특성과 연결된 가중치 w₁은 1.5입니다.
• 다른 지형지물과 연결된 가중치 w₂는 0.4입니다.

다음과 같은 지형지물 값이 있는 예를 생각해 보겠습니다.

• 한 지형지물 x₁의 값은 6입니다.
• 다른 지형지물인 x₂의 값은 10입니다.

이 선형 모델은 다음 수식을 사용하여 예측 y'를 생성합니다.

$$y' = b + w_1x_1 + w_2x_2$$

따라서 예측은 다음과 같습니다.

$$y' = 2.2 + (1.5)(6) + (0.4)(10) = 15.2$$

가중치가 0인 특성은 모델에 영향을 주지 못합니다. 예를 들어 w₁이 0이면 x₁의 값은 관련이 없습니다.

---

가중치가 적용된 합계

#fundamentals

모든 관련 입력 값의 합계에 해당 가중치를 곱한 값입니다. 예를 들어 관련 입력이 다음과 같다고 가정해 보겠습니다.

입력 값	입력 가중치
2	-1.3
-1	0.6
3	0.4

따라서 가중치 합계는 다음과 같습니다.

weighted sum = (2)(-1.3) + (-1)(0.6) + (3)(0.4) = -2.0

가중치가 적용된 합계는 활성화 함수의 입력 인수입니다.

Z

Z-점수 정규화

#fundamentals

원시 지형지물 값을 지형지물의 평균에서 표준 편차 수를 나타내는 부동 소수점 값으로 대체하는 스케일링 기법입니다. 예를 들어 평균이 800이고 표준 편차가 100인 특성을 생각해 보겠습니다. 다음 표는 Z-점수 정규화가 원시 값을 Z-점수에 매핑하는 방법을 보여줍니다.

원본 값	Z 점수
800	0
950	+1.5
575	-2.25

그러면 머신러닝 모델은 원시 값이 아닌 해당 특성의 Z 점수로 학습합니다.