기계 학습(machine learning) 알고리즘의 유형인 지도 학습(Supervised learning)과 비지도 학습(unsupervised learning)

기계학습 알고리즘의 유형

 

지도 학습(Supervised learning)과 비지도 학습(unsupervised learning)에 대한 짧은 설명

 

지도 학습과 비지도 학습은 기계 학습 알고리즘의 두 가지 기본 유형입니다.

지도 학습은 레이블이 지정된 데이터 세트에 대해 모델이 훈련되어 보이지 않는 새로운 데이터에 대한 예측을 하는 프로세스입니다. 이 모델은 입력/출력 쌍의 레이블이 지정된 예제와 함께 제공되며, 이 모델의 목표는 입력과 출력 간의 매핑을 학습하는 것입니다. 예를 들어, 분류 작업에서 모델은 레이블이 지정된 이미지 데이터 세트와 해당 레이블(예: 고양이, 개 등)에 대해 훈련되며, 목표는 보이지 않는 새로운 이미지의 레이블을 예측하는 것입니다.

반면, 비지도 학습은 특정 예측을 할 목적 없이 레이블이 지정되지 않은 데이터 세트에 대한 모델을 훈련시키는 것을 포함합니다. 대신 클러스터링, 차원 축소 또는 이상 탐지와 같은 작업에 사용할 수 있는 패턴, 관계 또는 구조를 데이터에서 찾는 것이 목표입니다. 예를 들어, 클러스터링 작업에서 모델은 레이블이 지정되지 않은 이미지 데이터 세트에 대해 훈련되며, 목표는 실제 레이블을 알지 못하고 유사한 이미지 그룹을 찾는 것입니다.

 

반응형

조금 더 구체적으로 예를 들어 보도록 하겠습니다.

개와 고양이의 1000개 이미지의 데이터 세트가 있다고 가정해 보겠습니다. 지도 학습에서는 레이블이 지정된 데이터를 사용하여 기계 학습 모델을 훈련하여 이미지가 개인지 고양이인지 식별합니다. 먼저 모델에게 각각 "개"로 표시된 개 이미지 500개와 "고양이"로 표시된 고양이 이미지 500개를 제공합니다. 그런 다음 모델은 새로운 이미지에서 개와 고양이를 식별하는 방법을 배우기 위해 이러한 레이블을 사용할 것입니다. 교육 중에 모델은 각 이미지의 특징을 기반으로 예측을 하고, 이러한 예측은 실제 레이블과 비교하여 얼마나 정확한지 확인합니다. 시간이 지남에 따라 모형은 더 나은 예측을 하고 정확도를 향상하는 방법을 배우게 됩니다.

대조적으로, 비지도 학습에서는 모델에 레이블을 제공하지 않습니다. 대신, 모형은 데이터에서 패턴과 관계를 자체적으로 찾아야 합니다. 예를 들어, 비지도 학습을 사용하여 모델은 다른 유형의 동물을 대표한다고 믿는 이미지의 두 클러스터를 식별할 수 있습니다. 그러고 나서 그것은 각각의 클러스터에 어떤 종류의 동물이 있는지에 대한 어떠한 정보도 갖지 않고 그 클러스터들이 서로 다르게 만드는 것을 결정하려고 시도할 수 있습니다.

 

요약하자면, 지도 학습과 비지도 학습의 주요 차이점은 지도 학습은 레이블이 지정된 데이터를 필요로 하는 반면, 비지도 학습은 레이블이 지정되지 않은 데이터에서 작동한다는 것입니다. 이것은 지도 학습을 예측 작업에 적합하게 만드는 반면, 비지도 학습은 데이터에서 패턴과 관계를 찾는 데 유용합니다.