[머신러닝] 지도학습 / 비지도학습 특징과 알고리즘 예시

 

지도학습 (Supervised Learning

• 알고리즘에 주입되는 훈련데이터에 레이블(y값)이 포함되어 있다.
  • 예) 고양이사진(1,0), 강아지사진 (0,1) 이런식으로 정확한 라벨링이 되어있는 데이터를 훈련데이터로 이용한다.

• 대표적인 지도학습 방법

https://www.slideshare.net/ssuser163469/ndc-2016-61452271

• 분류
  • 종류를 예측하는 것  
  • 데이터를 특정 라벨값(y값)으로 분류(예측)하는 작업
  • 스팸분류 ( 스팸이다 (1)  / 스팸 아니다 (0) )  : 보통 Yes / No 를 1과 0으로 표현한다. - 이진분류
  • 어떤 데이터에 대해 여러값 중 하나로 분류하기도 한다. - 다중분류
    • 고양이 (1,0,0) / 강아지 (0,1,0) / 토끼 (0,0,1)...
• 회귀
  • 연속된 값을 예측하는 것 
  • 어떤 데이터들의 특징 (feature)을 토대로 값(수치)을 예측 하는 작업
    • 예) features = 주행거리, 연식, 브랜드 등 
           Target (구하려는 값) = 중고차 가격
  • 결과 값은 실수이며, 연속성을 갖는다.
• 지도학습 알고리즘 예시
  • K-Nearest Neibors (k-최근접 이웃, KNN)
  • Linear Regression (선형 회귀)
  • Logistic Regression (로지스틱 회귀)
  • SVM (Support Vector Machines)
  • Decision Tree (의사결정 나무)
  • Random Forest (랜덤 포레스트)
  • Neural Networks (신경망)

비지도학습 (Unsupervised Learning) 

• 레이블이 없는 상태의 훈련데이터를 이용하여 학습하는 방법
• 머신러닝 시스템이 알아서 y값(타겟)이 무엇인지 학습해야하기 때문에 비지도 학습이라고 한다.
• 예시)
  • 고양이, 강아지, 닭, 새를 비지도 학습 시키면
    다리가 4개인 강아지, 고양이를 한 묶음으로
    다리가 2개인 닭, 새를 한 묶음으로 묶을 수 있을 것이다.
  • 이처럼 훈련데이터의 적절한 Feature(다리 수)를 찾아내야 좋은 결과를 얻을 수 있다.
• 비지도학습 알고리즘 예시
  • 군집 (Clustering)
    • k-means
    • 계층 군집 분석 (Hierarchical Cluster Analysis, HCA)
    • 기댓값 최소화 (Expectation maximization)
  • 차원축소
    (정보 손실을 최소화 하면서 데이터를 간소화 하는 방법)
    ex. 중고차의 가격을 예측할때, 주행거리와 연식은 매우 상관있는 관계. 이를 "마모 정도"를 나타내는 하나의 특성으로 합침으로써 데이터의 차원을 축소할 수 있다. (이를 특성 추출 이라고 한다.)
    
    • 주성분 분석 (Principal Component Analysis, PCA)
    • 커널 PCA
    • 지역적 선형 임배딩
    • t-SNE (t-distributed Stochastic Neighbor Embedding, 시각화함으로써 차원을 축소하는 방식)
  • 연관 규칙 학습
    (데이터의 특성 간의 흥미로운 관계를 찾아내는 학습)
    ex. "맥주를 사면서 함께 기저귀를 산다" 라는 특이한 연관관계를 밝혀내면서 다방면으로 활용 가능하다.
    
    • Apriori
    • Eclat