머신러닝을 처음 공부하면 선형회귀, 로지스틱 회귀, 의사결정트리, Random Forest, 신경망처럼 여러 모델의 이름부터 접하게 된다.

그런데 모델 이름부터 외우기 시작하면 정작 중요한 질문이 남는다.

머신러닝은 도대체 데이터를 가지고 무엇을 하는 걸까?

이번 글에서는 가장 단순한 선형회귀의 수식에서 시작해서 입력값이 많아지고, 변수 사이의 관계가 복잡해지고, 결국 신경망과 딥러닝까지 이어지는 흐름을 살펴본다.

다만 먼저 한 가지 범위를 정해두자.

이번 글은 머신러닝 전체 중에서도 정답이 있는 데이터를 이용해 새로운 결과를 예측하는 지도학습(Supervised Learning)을 중심으로 설명한다.

머신러닝에는 이 외에도 데이터의 구조를 찾는 비지도학습, 보상을 기반으로 행동을 학습하는 강화학습 등 다양한 방식이 존재한다.

1. 입력값이 하나라면

공부 시간을 가지고 시험 점수를 예측한다고 가정해보자.

과거 데이터가 다음과 같다고 하자.

공부 시간 시험 점수
1시간 50점
2시간 60점
3시간 70점
4시간 80점

이 데이터에서는 공부 시간이 1시간 늘어날 때마다 점수가 10점씩 증가한다.

이를 아주 단순한 수식으로 표현하면 다음과 같다.

ŷ = wx + b

여기서

  • x: 입력값(input, feature)
  • w: 가중치(weight)
  • b: 편향 또는 절편(bias)
  • y: 실제 정답
  • ŷ: 모델이 예측한 값

위 데이터에 잘 맞는 값이

w = 10, b = 40

이라고 한다면 모델은 다음과 같은 식을 갖게 된다.

ŷ = 10x + 40

5시간 공부한 사람의 점수를 예측해보면

10 × 5 + 40 = 90

따라서 모델은 90점이라고 예측한다.

2. 그렇다면 w와 b는 누가 정할까?

여기서 머신러닝의 중요한 특징이 등장한다.

사람이 직접

w = 10

이라고 정해주는 것이 아니다.

모델은 처음에는 적절한 w와 b를 알지 못한다.

예를 들어 현재

w = 5, b = 40

라고 해보자.

3시간 공부한 사람을 넣으면 모델은

5 × 3 + 40 = 55

라고 예측한다.

하지만 실제 점수는 70점이다.

실제값 y = 70

예측값 ŷ = 55

예측이 실제값과 차이가 난다.

이렇게 모델이 얼마나 틀렸는지를 숫자로 표현하는 방법을 손실 함수(Loss Function)라고 한다.

선형회귀에서 사용할 수 있는 대표적인 방법 중 하나가 제곱오차다.

Loss = (y - ŷ)2

다만 이것은 하나의 데이터에 대한 오차를 표현한 것이다.

실제 학습에서는 여러 학습 데이터의 오차를 함께 고려하며, 대표적인 방법으로 평균제곱오차(MSE, Mean Squared Error)가 있다.

MSE = 각 데이터의 (y - ŷ)2을 계산한 뒤 평균

모델은 이 손실이 작아지는 방향으로 w와 b 같은 파라미터를 찾는다.

예를 들어 경사하강법(Gradient Descent)과 같은 최적화 방법을 사용하면 손실이 감소하는 방향으로 파라미터를 반복해서 조정할 수 있다.

이 선형회귀 예시에서 학습(training)은 데이터에 잘 맞는 w와 b 같은 파라미터를 찾는 과정이라고 볼 수 있다.

3. 학습과 예측은 다른 과정이다

여기서 처음 머신러닝을 배울 때 헷갈릴 수 있는 부분이 있다.

모델이 새로운 데이터를 받을 때마다 가중치를 다시 학습하는 것은 아니다.

학습 단계

학습 데이터
    ↓
모델이 예측
    ↓
실제값과 비교
    ↓
Loss 계산
    ↓
파라미터 수정
    ↓
반복
    ↓
학습된 모델

추론 단계

새로운 데이터
    ↓
이미 학습된 모델
    ↓
예측 결과

즉,

학습할 때 파라미터를 찾고, 실제 사용할 때는 이미 학습된 파라미터를 이용해서 결과를 계산한다.

학습이 끝난 모델을 이용해 새로운 입력에 대한 결과를 계산하는 과정을 추론(Inference)이라고 한다.

4. 입력값이 하나가 아니라 여러 개라면

현실에서는 시험 점수가 공부시간 하나만으로 결정되지 않는다.

이번에는 두 가지 정보를 사용해보자.

  • x1: 공부시간
  • x2: 수면시간

그러면 수식은 다음과 같이 확장할 수 있다.

ŷ = w1x1 + w2x2 + b

예를 들어 학습 결과 다음과 같은 모델이 만들어졌다고 하자.

ŷ = 8x1 \+ 3x2 \+ 20

공부시간이 5시간이고 수면시간이 7시간이라면

8 × 5 + 3 × 7 + 20 = 81

따라서 모델은 81점을 예측한다.

입력이 두 개에서 끝날 필요도 없다.

시험 점수를 예측하기 위해 다음과 같은 정보를 사용할 수도 있다.

  • 공부시간
  • 수면시간
  • 출석률
  • 과제점수
  • 이전 시험점수
  • 문제풀이량

머신러닝에서는 모델의 입력으로 사용하는 각각의 정보를 특징(Feature)이라고 부른다.

입력 특징이 n개라면 다음처럼 표현할 수 있다.

ŷ = w1x1 + w2x2 + ... + wnxn + b

수식은 길어졌지만 이 선형회귀 모델의 기본 원리는 같다.

각 특징에 가중치를 곱하고 모두 더해서 결과를 만들고, 학습 과정에서는 데이터에 맞도록 각 가중치를 결정한다.

5. 학습 데이터의 Loss만 작으면 좋은 모델일까?

여기서 머신러닝에서 매우 중요한 문제가 하나 등장한다.

우리는 지금까지

Loss를 작게 만드는 것이 학습이다.

라고 설명했다.

그렇다면 학습 데이터의 Loss를 최대한 작게 만들기만 하면 항상 좋은 모델이 되는 것일까?

그렇지는 않다.

예를 들어 학생 100명의 데이터를 이용해 모델을 학습했다고 생각해보자.

모델이 이 100명의 데이터를 거의 완벽하게 기억했지만 새로운 학생의 점수는 제대로 예측하지 못한다면 좋은 모델이라고 하기 어렵다.

이처럼 학습 데이터에는 지나치게 잘 맞지만 새로운 데이터에서는 성능이 떨어지는 현상을 과적합(Overfitting)이라고 한다.

학습 데이터
→ 거의 완벽하게 예측

새로운 데이터
→ 성능이 크게 떨어짐

= 과적합

머신러닝의 진짜 목표는 단순히 학습 데이터를 잘 맞히는 것이 아니다.

학습에 사용하지 않은 새로운 데이터에서도 좋은 결과를 내는 모델을 만드는 것

이러한 능력을 일반화(Generalization)라고 한다.

따라서 머신러닝에서는 보통 데이터를 학습용 데이터와 평가용 데이터 등으로 나누어 모델이 처음 보는 데이터에서도 잘 동작하는지 확인한다.

이 개념은 이후 배우게 될 Train / Validation / Test 데이터, 과적합, 정규화 등의 개념으로 이어진다.

6. 여기까지가 머신러닝의 전부일까?

아니다.

지금까지 살펴본 것은 선형회귀를 통해 머신러닝의 학습을 이해하기 위한 가장 단순한 예시다.

모든 머신러닝 모델이

w1x1 + w2x2 + ... + wnxn

형태로 동작하는 것은 아니다.

예를 들어 의사결정트리는 이러한 가중합과는 다른 방식으로 데이터를 학습한다.

따라서

머신러닝 = wx + b

라고 이해하면 안 된다.

ŷ = wx + b는 머신러닝의 여러 모델 중 하나인 선형회귀를 이해하기 위한 가장 단순한 출발점이다.

7. 변수의 효과는 항상 따로 작용할까?

앞의 식을 다시 보자.

ŷ = w1x1 + w2x2 + b

여기서는 공부시간과 수면시간의 효과를 각각 계산한 뒤 더한다.

예를 들어 w1 = 8이라면 이 모델에서는 수면시간이 얼마든 공부시간이 1시간 증가할 때의 효과를 동일하게 8로 취급한다.

하지만 현실에서는 그렇지 않을 수도 있다.

충분히 잠을 잔 상태에서는 공부시간을 1시간 늘렸을 때 학습 효율이 크게 증가할 수 있다.

반대로 수면이 매우 부족하다면 공부시간을 1시간 더 늘려도 효과가 작을 수 있다.

즉,

공부시간이 시험점수에 미치는 효과 자체가 수면시간에 따라 달라질 수 있다.

이렇게 한 변수의 효과가 다른 변수의 값에 따라 달라지는 것을 상호작용(Interaction)이라고 한다.

여기서 한 가지 주의해야 한다.

변수끼리 서로 관련되어 있는 것과 변수 사이에 상호작용이 존재하는 것은 다른 개념이다.

예를 들어 공부시간이 길수록 수면시간이 줄어드는 경향이 있다면 두 변수 사이에 상관관계가 있을 수 있다.

반면 상호작용은 공부시간이 점수에 미치는 효과가 수면시간에 따라 달라지는 것을 의미한다.

8. 변수 사이의 상호작용도 수식에 넣을 수 있다

공부시간을 x1, 수면시간을 x2라고 하자.

기존 수식은

ŷ = w1x1 + w2x2 + b

였다.

여기에 두 변수의 상호작용을 표현하는 항을 추가할 수 있다.

ŷ = w1x1 + w2x2 + w3(x1x2) + b

새롭게

x1x2

라는 항이 추가됐다.

이제 공부시간이 1 증가했을 때 예측값이 얼마나 변하는지 생각해보면 공부시간의 효과에 수면시간도 영향을 주게 된다.

공부시간 1 증가의 효과 = w1 + w3x2

즉 수면시간 x2가 달라지면 공부시간의 효과도 달라질 수 있다.

이런 방식으로 원래 입력값뿐 아니라

x1x2

같은 새로운 특징을 만들어 모델에 입력할 수도 있다.

이처럼 기존 데이터에서 문제 해결에 도움이 되는 특징을 만들거나 변환하는 작업을 특징 공학(Feature Engineering)이라고 한다.

9. 관계가 직선이 아닐 수도 있다

또 다른 문제가 있다.

앞에서는 공부시간이 늘어날수록 점수가 일정하게 증가하는 직선 관계를 가정했다.

하지만 현실에서는 다음처럼 될 수도 있다.

공부시간 예상 성적
1시간 50점
3시간 65점
5시간 78점
8시간 85점
12시간 86점
16시간 75점

처음에는 공부시간이 증가하면서 성적도 크게 증가하지만 어느 순간부터 증가 효과가 줄어들 수 있다.

극단적으로 오랜 시간 공부한다면 피로나 수면 부족 등의 영향으로 성적이 오히려 떨어지는 관계도 생각할 수 있다.

이러한 관계는 직선 하나로 표현하기 어렵다.

간단한 방법 중 하나는

ŷ = w1x + w2x2 + b

처럼 x2 항을 추가하는 것이다.

이렇게 하면 직선뿐 아니라 곡선 형태의 관계도 표현할 수 있다.

중요한 것은 제곱 자체가 아니다.

현실의 데이터에는 입력과 출력 사이에 단순한 직선으로 표현하기 어려운 비선형 관계(Non-linear Relationship) 가 존재할 수 있다.

참고로 위 식은 입력 x에 대해서는 곡선을 표현하지만 w1, w2, b 같은 파라미터에 대해서는 여전히 선형이다.

이러한 형태를 다항회귀(Polynomial Regression)라고 한다.

10. 현실의 데이터는 훨씬 복잡하다

실제 문제에서는

x1, x2, x3, ...

같은 수많은 특징이 존재할 수 있다.

그리고 필요하다면

x1x2, x12, x22, ...

같은 상호작용이나 변환된 특징도 고려할 수 있다.

예를 들어 고객의 대출 연체 가능성을 예측한다고 해보자.

입력 데이터에는

  • 나이
  • 소득
  • 직업
  • 기존 부채
  • 대출금액
  • 신용점수
  • 과거 연체 횟수
  • 거래내역
  • 카드 사용 패턴

등 많은 정보가 들어갈 수 있다.

또한 이런 특징들은 서로 완전히 무관하지 않을 수 있다.

예를 들어 같은 3,000만 원의 대출이라도 연소득이 3,000만 원인 사람과 연소득이 1억 원인 사람에게 가지는 의미는 다르다.

즉 현실의 문제는 단순히 x의 개수가 많아서만 어려운 것이 아니다.

입력과 출력의 관계가 비선형적일 수도 있고, 여러 변수의 효과가 서로 얽힐 수도 있기 때문에 복잡하다.

11. 그래서 여러 종류의 머신러닝 모델이 존재한다

복잡한 데이터 관계를 다루기 위해 문제의 특성에 따라 서로 다른 머신러닝 알고리즘을 사용한다.

선형회귀

연속적인 숫자 값을 예측하는 대표적인 선형 모델이다.

ŷ = w1x1 + ... + wnxn + b

집값, 매출, 수요량처럼 연속적인 값을 예측하는 문제에 사용할 수 있다.

로지스틱 회귀

이름에는 회귀가 들어가지만 주로 분류(Classification)에 사용한다.

입력값을 가중합한 뒤 sigmoid와 같은 함수를 이용해 결과를 0과 1 사이의 값으로 변환하고, 이를 확률로 해석해 분류 문제에 사용할 수 있다.

예를 들어

  • 고객이 이탈할 것인가
  • 대출을 연체할 것인가
  • 이메일이 스팸인가

같은 문제에 사용할 수 있다.

의사결정트리

의사결정트리는 wx + b와 다른 방식으로 동작한다.

개념적으로 데이터를 조건에 따라 반복적으로 나눈다.

신용점수 >= 700?
        |
    ┌───┴───┐
   Yes      No
    |        |
 부채비율?   연체이력?
    |        |
   ...      ...

이처럼 여러 조건으로 데이터 영역을 나누면서 결과를 예측한다.

트리는 선형식 하나로 표현하기 어려운 비선형 관계나 변수 사이의 상호작용도 표현할 수 있다.

여러 트리를 사용하는 모델

하나의 트리뿐 아니라 여러 의사결정트리를 조합하는 방법도 있다.

대표적으로 Random Forest와 Gradient Boosting 등이 있다.

Gradient Boosting 계열에서는

  • XGBoost
  • LightGBM
  • CatBoost

같은 알고리즘과 라이브러리가 널리 사용된다.

이러한 트리 기반 모델들은 특히 표 형태의 정형 데이터(Tabular Data)를 다루는 많은 문제에서 사용된다.

모든 머신러닝 모델이 여러 x에 여러 w를 곱하는 구조라고 생각하면 안 된다.

12. 신경망도 가장 작은 단위에서 보면 단순하다

신경망은 훨씬 복잡해 보이지만 하나의 뉴런이 수행하는 기본 계산만 보면 처음 봤던 선형식과 비슷하다.

하나의 뉴런은 여러 입력을 받아

z = w1x1 + w2x2 + ... + wnxn + b

와 같은 가중합을 계산한다.

하지만 신경망은 여기서 끝나지 않는다.

계산된 z를 다시 활성화 함수(Activation Function)에 통과시킨다.

a = f(z)

대표적인 활성화 함수 중 하나가 ReLU다.

그리고 이 결과가 다음 층 뉴런들의 입력이 된다.

x1 ─┐
x2 ─┼─→ 가중합 → 활성화 함수 ─┐
x3 ─┘                          │
                               ├─→ 가중합 → 활성화 함수 → 결과
x4 ─┐                          │
x5 ─┼─→ 가중합 → 활성화 함수 ─┘
x6 ─┘

13. 활성화 함수는 왜 필요할까?

이 부분은 신경망을 이해할 때 매우 중요하다.

만약 활성화 함수 없이 선형 계산만 여러 번 이어 붙인다고 생각해보자.

선형변환
   ↓
선형변환
   ↓
선형변환
   ↓
선형변환

겉으로는 여러 층을 사용했지만 선형변환을 여러 번 합성한 결과도 결국 하나의 선형변환으로 나타낼 수 있다.

즉 단순한 선형 계산만 반복해서는 아무리 층을 깊게 만들어도 복잡한 비선형 관계를 충분히 표현하기 어렵다.

그래서 중간에 비선형 활성화 함수를 넣는다.

가중합
   ↓
비선형 활성화 함수
   ↓
가중합
   ↓
비선형 활성화 함수
   ↓
...

이러한 구조 덕분에 신경망은 단순한 직선 관계를 넘어 훨씬 복잡한 함수를 표현할 수 있다.

가중합 + 비선형 활성화 함수 + 여러 층 은 신경망이 복잡한 관계를 표현할 수 있게 만드는 핵심 구조 중 하나다.

14. 딥러닝에서는 특징 자체도 학습한다

전통적인 머신러닝에서는 사람이 어떤 특징을 사용할지 결정하는 과정이 중요하다.

예를 들어

x1x2

와 같은 상호작용 특징이나

x2

같은 변환된 특징을 사람이 직접 만들어 모델에 제공할 수 있다.

하지만 신경망은 여러 층과 비선형 연산을 통해 원본 데이터에서 문제 해결에 유용한 내부 표현을 학습할 수 있다.

예를 들어 이미지 인식을 생각해보자.

전통적인 방식에서는 사람이 어떤 특징을 추출해서 사용할지 직접 고민하는 과정이 중요했다.

반면 딥러닝 모델은 많은 경우 이미지의 픽셀과 같은 원본 입력에서 문제를 해결하는 데 필요한 표현을 학습할 수 있다.

이미지 픽셀
    ↓
낮은 수준의 패턴
    ↓
더 복잡한 내부 표현
    ↓
문제를 해결하는 데 유용한 표현
    ↓
최종 예측

물론 실제 신경망의 각 층이 항상 사람이 이해할 수 있는 하나의 명확한 개념을 학습한다고 볼 수는 없다.

모델 구조, 데이터, 학습 과정에 따라 어떤 내부 표현이 만들어지는지는 달라진다.

하지만 큰 관점에서는

사람이 특징을 모두 직접 설계하지 않아도 신경망이 데이터로부터 유용한 표현을 학습할 수 있다.

라고 이해할 수 있다.

이러한 신경망을 여러 층으로 깊게 구성하여 학습하는 방법을 딥러닝(Deep Learning)이라고 한다.

15. 신경망은 어떻게 학습할까?

선형회귀에서 봤던 학습 과정과 기본적인 생각은 비슷하다.

입력
 ↓
신경망
 ↓
예측값
 ↓
실제값과 비교
 ↓
Loss 계산
 ↓
가중치 수정

차이가 있다면 신경망에는 매우 많은 가중치와 편향이 존재할 수 있다는 것이다.

모델은 입력을 이용해 예측을 만들고, 실제 정답과 비교해 손실을 계산한다.

그다음 역전파(Backpropagation)를 이용해 각 파라미터가 손실에 어떤 영향을 주었는지 계산한다.

그리고 경사하강법이나 그 계열의 최적화 알고리즘을 이용해 손실이 줄어드는 방향으로 파라미터를 조정한다.

이 과정을 많은 데이터에 대해 반복하면서 모델이 학습된다.

예측 → 정답과 비교 → Loss 계산 → Loss를 줄이는 방향으로 파라미터 수정

이라는 큰 흐름은 처음 살펴본 선형회귀와 신경망에서도 이어진다.

16. 처음의 수식과 실제 머신러닝을 연결해보면

처음에는 아주 단순했다.

ŷ = wx + b

입력값이 많아지면

ŷ = w1x1 + w2x2 + ... + wnxn + b

가 된다.

그런데 현실에서는 변수의 효과가 서로 상호작용할 수도 있다.

x1x2

입력과 출력 사이의 관계가 직선이 아닐 수도 있다.

x2

그래서 특징을 직접 변환해서 선형 모델에 넣을 수도 있고, 의사결정트리처럼 비선형 관계를 다른 방식으로 표현하는 모델을 사용할 수도 있다.

신경망에서는

가중합
 ↓
활성화 함수
 ↓
가중합
 ↓
활성화 함수
 ↓
...

같은 구조를 여러 층으로 연결하여 매우 복잡한 함수를 표현할 수 있다.

즉 머신러닝이 복잡해진다는 것은 단순히 x의 개수만 많아진다는 의미가 아니다.

현실의 복잡한 데이터 관계를 표현할 수 있도록 모델이 관계를 표현하는 방식 자체가 다양해지는 것이라고 볼 수 있다.

17. 실제 머신러닝에서는 무엇을 예측할까?

처음 사용했던 예시는 아주 단순했다.

공부시간
   ↓
모델
   ↓
시험점수

실제 지도학습 서비스도 추상적으로 보면 같은 구조를 가진다.

주택 가격 예측

지역
면적
방 개수
건축 연도
교통 접근성
주변 시세
...
    ↓
머신러닝 모델
    ↓
예상 주택 가격

고객 이탈 예측

가입 기간
최근 접속일
서비스 이용량
결제 내역
문의 내역
...
    ↓
머신러닝 모델
    ↓
이탈 가능성

금융 이상거래 탐지

결제 금액
결제 위치
결제 시간
이전 거래 패턴
사용 기기
...
    ↓
머신러닝 모델
    ↓
정상 거래 / 이상 거래

이미지 분류

이미지의 수많은 픽셀
        ↓
      신경망
        ↓
고양이 / 강아지 / 기타

입력의 개수와 모델의 내부 구조는 훨씬 복잡해졌지만, 지도학습이라는 관점에서 보면 기본적인 흐름은 비슷하다.

입력과 정답이 있는 데이터를 이용해 둘 사이의 관계를 학습하고, 처음 보는 입력에 대한 결과를 추정한다.

18. 하지만 머신러닝이 항상 정답을 예측하는 것은 아니다

여기까지 읽으면

머신러닝 = 과거 데이터를 보고 새로운 결과를 예측하는 기술

이라고 생각할 수 있다.

하지만 이것은 머신러닝 전체를 설명하기에는 범위가 좁다.

지도학습(Supervised Learning)

입력과 정답이 함께 주어진 데이터를 이용해 학습한다.

입력 x + 정답 y
       ↓
      학습
       ↓
새로운 x의 결과 예측

이 글에서 지금까지 주로 살펴본 방식이다.

비지도학습(Unsupervised Learning)

명시적인 정답 없이 데이터 자체의 구조나 패턴을 찾는다.

예를 들어 여러 고객의 데이터를 분석해서 비슷한 특성을 가진 고객들을 그룹으로 나눌 수 있다.

고객 데이터
    ↓
데이터의 구조 분석
    ↓
비슷한 고객끼리 그룹화

강화학습(Reinforcement Learning)

환경에서 행동하고 그 결과로 받은 보상을 이용해 어떤 행동을 선택해야 하는지를 학습한다.

현재 상태
   ↓
행동 선택
   ↓
환경 변화
   ↓
보상
   ↓
더 좋은 행동을 학습

따라서 머신러닝 전체를 단순히 "예측하는 기술"이라고 정의하기보다는 조금 더 넓게 바라보는 것이 좋다.

정리

처음 머신러닝을 보면 복잡한 알고리즘과 수식 때문에 어렵게 느껴진다.

하지만 가장 단순한 모델부터 보면 시작점은 생각보다 단순하다.

ŷ = wx + b

선형회귀에서는 데이터를 이용해 적절한 w와 b를 학습하고 새로운 입력의 결과를 예측할 수 있다.

입력 특징이 많아지면

ŷ = w1x1 + ... + wnxn + b

처럼 확장된다.

하지만 현실의 데이터는 이것보다 복잡하다.

변수의 효과가 서로 상호작용할 수도 있고, 입력과 출력 사이에 비선형 관계가 존재할 수도 있다.

그래서 문제에 따라

  • 선형회귀
  • 로지스틱 회귀
  • 의사결정트리
  • Random Forest
  • Gradient Boosting
  • 신경망

등 서로 다른 방식으로 관계를 표현하고 학습하는 모델을 사용한다.

신경망 역시 가장 작은 계산을 보면

z = w1x1 + ... + wnxn + b

라는 가중합에서 출발한다.

하지만 여기에 비선형 활성화 함수와 여러 층이 결합되면서 훨씬 복잡한 관계를 표현할 수 있게 된다.

그리고 모델이 학습 데이터의 Loss를 작게 만드는 것만으로는 충분하지 않다.

머신러닝에서 중요한 것은 학습에 사용하지 않은 새로운 데이터에서도 잘 동작하는 것이다.

이를 일반화(Generalization)라고 한다.

따라서 머신러닝을 단순히

여러 x에 여러 w를 곱하는 것

이라고 이해하는 것도 정확하지 않고,

복잡한 수학 공식으로 결과를 만드는 것

이라고만 이해하는 것도 부족하다.

이번 글에서 살펴본 지도학습의 핵심을 정리하면 다음과 같다.

입력과 정답이 있는 데이터에서 둘 사이의 관계를 학습하고, 그 관계를 이용해 처음 보는 입력에 대한 결과를 추정하는 것.

그리고 더 넓은 의미에서 머신러닝을 바라보면,

데이터와 경험을 이용해 문제를 해결하는 데 필요한 패턴, 구조 또는 행동 방식을 컴퓨터가 학습하도록 만드는 방법들의 집합이라고 볼 수 있다.

결국 ŷ = wx + b는 머신러닝 전체를 설명하는 공식이 아니다.

하지만

데이터 입력
   ↓
모델이 계산
   ↓
결과 생성
   ↓
정답과 비교
   ↓
오차를 계산
   ↓
더 좋은 결과가 나오도록 학습

이라는 머신러닝의 기본적인 사고방식을 이해하기에는 아주 좋은 출발점이다.

저작자표시 비영리 변경금지 (새창열림)

'AI' 카테고리의 다른 글

프롬프트가 GPT의 답변이 되기까지  (0) 2026.09.02

티스토리툴바