머신러닝의 세가지 종류 ( 지도학습, 비지도학습, 강화학습 )

1. 지도학습

레이블된 훈련 데이터에서 모델을 학습하여 본 적 없는 미래 데이터에 대해 예측을 만드는 것이다.

개별 클래스 레이블이 있는 지도 학습을 분류라고 하고, 연속적인 값을 출력하는 것을 회귀라고한다.

 

* 지도 : 희망하는 출력 신호(레이블)가 있는 일련의 샘플(데이터 입력)을 의미한다.

지도 학습 과정

1-1 분류

- 지도 학습의 하위 카테고리로 과거의 관측을 기반으로 새로운 샘플 또는 새로운 데이터 포인트의 범주형 클래스 레이블을 예측하는 것이 목적이다.

 

* 클래스 레이블 : 이산적이고 순서가 없어 샘플이 속한 그룹으로 이해할 수 있다.

 

1-2 회귀

-연속적인 출력 값을 예측하는 것을 회귀분석이라고 한다. 회귀는 예측 변수와 연속적인 반응 변수가 주어졌을 때 출력 값을 예측하기 위해 두 변수 사이의 관계를 찾는다.

 

1-3 강화학습

- 환경과 상호 작용하여 시스템(에이전트) 성능을 향상하는 것이 목적이다.

- 강화 학습의 피드백은 정답 레이블이나 값이 아닌 보상 함수로 얼마나 행동이 좋은지를 측정한 값이다.

- 에이전트는 환경과 상호 작용하여 보상이 최대화되는 일련의 행동을 강화 학습으로 학습한다.

- 탐험적인 시행착오 방식이나 신중하게 세운 계획을 사용한다.

 

ex) 체스 게임 : 에이전트는 체스판의 상태에 따라 기물의 이동을 결정한다.

보상은 게임을 종료했을 때 승리하거나 패배하는 것으로 정의할 수 있다.

 

2. 비지도학습

- 레이블되지 않거나 구조를 알 수 없는 데이터를 다룬다.

- 알려진 출력 값이나 보상 함수의 도움을 받지 않고 의미 있는 정보를 추출하기 위해 데이터 구조 탐색할 수 있다.

 

2-1 군집 : 서브그룹 찾기

- 그룹 소속에 대한 사전 정보 없이 쌓여 있는 데이터를 의미 있는 서브그룹 또는 클러스터로 조직하는 eda 또는 패턴 발견 기법이다.

https://namu.wiki/w/%EA%B5%B0%EC%A7%91%20%EB%B6%84%EC%84%9D

 

2-2 차원 축소 : 데이터 압축

- 잡음 데이터를 제거하기 위해 특성 전처리 단계에서 종종 적용하는 방법이다.

- 잡음 데이터는 특정 알고리즘의 예측 성능을 감소시킬 수 있다.

- 차원 축소는 관련 있는 정보를 대부분 유지하면서 더 작은 차원을 가진 부분 공간으로 데이터를 압축한다.