머신러닝 용어집: ML 기초

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

A

accuracy

#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 40회의 정확한 예측과 10회의 잘못된 예측이 이루어진 모델의 정확도는 다음과 같습니다.

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

이진 분류올바른 예측잘못된 예측의 여러 카테고리에 특정 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 (정확한 예측)의 수입니다.
  • TN은 참음성 (정확한 예측)의 수입니다.
  • FP는 거짓양성 (잘못된 예측)의 수입니다.
  • FN은 거짓음성 (잘못된 예측)의 수입니다.

정밀도재현율로 정확도를 비교 및 대조합니다.

활성화 함수

#fundamentals

신경망에서 특성과 라벨 간의 비선형 (복잡한) 관계를 학습할 수 있는 함수입니다.

많이 사용되는 활성화 함수는 다음과 같습니다.

활성화 함수의 플롯은 단 한 개의 직선이 아닙니다. 예를 들어 ReLU 활성화 함수의 도표는 두 개의 직선으로 구성됩니다.

두 줄의 데카르트식 도표 첫 번째 줄의 상수 y 값은 0이며, x축을 따라 -무한대,0에서 0,-0까지 실행됩니다.
          두 번째 줄은 0,0에서 시작합니다. 이 선은 +1의 기울기를 사용하므로 0,0에서 +무한대,+무한대까지 이어집니다.

시그모이드 활성화 함수의 플롯은 다음과 같습니다.

x값은 도메인 -무한대에서 +양성에 이르는 y차원 곡선이고 y값은 0에서 거의 1에 가까운 2차원 곡선 그래프 x가 0이면 y는 0.5입니다. 기울기가 항상 양수이며
 최고 기울기가 0, 0.5가 되고,x의 절댓값이 증가하면 기울기가 점차 감소합니다.

오해가 있는데

#fundamentals

복잡한 작업을 해결할 수 있는 사람이 아닌 프로그램 또는 모델입니다. 예를 들어 텍스트 또는 방사선 이미지로부터 질병을 식별하는 프로그램 또는 모델은 인공지능을 모두 보여 줍니다.

공식적으로 머신러닝은 인공지능의 하위 분야입니다. 하지만 최근 일부 조직에서는 인공지능머신러닝이라는 용어를 서로 바꿔서 사용하기 시작했습니다.

AUC (ROC 곡선 아래 영역)

#fundamentals

0.0에서 1.0 사이의 숫자로, 포지티브 클래스네거티브 클래스를 구분하는 이진 분류 모델의 기능을 나타냅니다. AUC가 1.0에 가까울수록 클래스가 클래스를 구분하는 기능이 더 나아집니다.

예를 들어 다음 이미지는 포지티브 클래스 (녹색 타원)를 네거티브 클래스(보라색 직사각형)와 완벽하게 분리하는 분류기 모델을 보여줍니다. 이 비현실적으로 완벽한 모델은 AUC가 1.0입니다.

한쪽에는 긍정적인 예 8개가 있고 다른 한 쪽에는 부정적인 예 9개가 있는 숫자 선

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

긍정적인 예 6개와 부정적인 예 6개가 있는 숫자 선
          예의 순서는 긍정적, 부정적, 양성, 부정, 양성, 부정, 양, 음의, 양성, 음의, 양성입니다.

예, 앞의 모델의 AUC는 0.0이 아닌 0.5입니다.

대부분의 모델은 두 극단 사이에 있습니다. 예를 들어 다음 모델은 양수와 음수 값을 다소 분리하므로 AUC가 0.5~1.0 사이입니다.

긍정적인 예 6개와 부정적인 예 6개가 있는 숫자 선
          예의 순서는 음화, 음수, 음수, 부정, 양, 음, 긍정, 양, 음, 긍정, 양, 긍정입니다.

AUC는 분류 임곗값에 설정한 모든 값을 무시합니다. 대신 AUC는 가능한 모든 분류 임계값을 고려합니다.

역전파

#fundamentals

신경망에서 경사하강법을 구현하는 알고리즘입니다.

신경망을 학습시키는 데는 다음과 같은 2 패스 주기의 많은 반복이 포함됩니다.

  1. 정방향 전달 중에 시스템은 예시배치를 처리하여 예측을 생성합니다. 시스템은 각 예측을 각 label 값과 비교합니다. 예측과 라벨 값의 차이는 이 예시의 손실입니다. 시스템에서는 모든 예의 손실을 집계하여 현재 배치의 총 손실을 계산합니다.
  2. 역방향 전달(역전파) 중에 시스템은 모든 숨겨진 레이어의 모든 뉴런의 가중치를 조정하여 손실을 줄입니다.

신경망은 많은 히든 레이어에 걸쳐 많은 뉴런을 포함합니다. 이러한 뉴런은 각각 다른 방식으로 전체 손실에 기여합니다. 역전파는 특정 뉴런에 적용되는 가중치를 늘리거나 줄일지 결정합니다.

학습률은 각 역방향 패스에서 각 가중치를 늘리거나 줄이는 정도를 제어하는 배수입니다. 학습률이 높으면 작은 학습률보다 각 가중치가 증가하거나 감소합니다.

미적분학 측면에서 역전파는 미적분의 체인 규칙을 구현합니다. 즉 역전파는 각 매개변수를 고려하여 오류의 편미분을 계산합니다. 자세한 내용은 머신러닝 단기집중과정 가이드를 참고하세요.

몇 년 전만 해도 ML 실무자는 역전파를 구현하는 코드를 작성해야 했습니다. 이제 TensorFlow와 같은 최신 ML API에서 역전파를 구현합니다. 휴!

일괄

#fundamentals

한 학습 반복에 사용되는 집합입니다. 배치 크기에 따라 배치의 예시 수가 결정됩니다.

배치가 에포크와 어떤 관련이 있는지에 관한 설명은 에포크를 참고하세요.

배치 크기

#fundamentals

배치예시 수입니다. 예를 들어 배치 크기가 100이면 모델은 반복당 100개의 예를 처리합니다.

많이 사용되는 배치 크기 전략은 다음과 같습니다.

  • 확률 경사하강법 (SGD): 배치 크기는 1입니다.
  • 전체 배치. 여기서 배치 크기는 전체 학습 세트의 예시 수입니다. 예를 들어 학습 세트에 100만 개의 예시가 포함된 경우 배치 크기는 100만 개의 예시에 해당합니다. 전체 배치는 일반적으로 비효율적인 전략입니다.
  • mini-batch - 배치 크기는 일반적으로 10~1000입니다. 일반적으로 미니 배치가 가장 효율적인 전략입니다.

편향(bias)(윤리/공정성)

#fairness
#fundamentals

1. 특정 사물, 사람 또는 집단에 대한 고정 관념, 편견 또는 편견 이러한 편향은 데이터의 수집 및 해석, 시스템 설계, 사용자가 시스템과 상호작용하는 방식에 영향을 줄 수 있습니다. 이러한 유형의 편향에는 다음이 포함됩니다.

2. 샘플링 또는 보고 절차에 의해 발생한 계통 오류입니다. 이러한 유형의 편향에는 다음이 포함됩니다.

머신러닝 모델의 편향 항 또는 예측 편향과 혼동해서는 안 됩니다.

바이어스 (수학) 또는 편향 항

#fundamentals

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

  • b
  • 0

예를 들어 다음 수식에서 편향은 b입니다.

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

간단한 2차원 선에서 편향은 'y절편'을 의미합니다. 예를 들어 다음 그림에서 선의 편향은 2입니다.

기울기가 0.5이고 편향 (y-절편)이 2인 선의 도표

모든 모델이 원점 (0,0)에서 시작되는 것은 아니기 때문에 편향이 존재합니다. 예를 들어 놀이공원에 입장하면 2유로가 들고 고객이 머무르면 1시간마다 0.5유로가 추가된다고 가정해 보겠습니다. 따라서 가장 낮은 비용은 2유로이므로 총 비용을 매핑하는 모델에는 편향이 2입니다.

편향을 윤리 및 공정성의 편향 또는 예측 편향과 혼동해서는 안 됩니다.

이진 분류

#fundamentals

상호 배타적인 두 클래스 중 하나를 예측하는 분류 작업 유형입니다.

예를 들어 다음 두 머신러닝 모델은 각각 이진 분류를 수행합니다.

  • 이메일 메시지가 스팸 (포지티브 클래스)인지 스팸이 아닌 (네거티브 클래스)지를 결정하는 모델입니다.
  • 의학적 증상을 평가하여 특정 질환이 있는지 (포지티브 클래스) 또는 해당 질병이 없는지 (네거티브 클래스) 확인하는 모델입니다.

다중 클래스 분류와 대비되는 개념입니다.

로지스틱 회귀분류 기준도 참조하세요.

버케팅

#fundamentals

단일 특성을 일반적으로 값 범위를 기준으로 버킷 또는 bin이라고 하는 여러 바이너리 특성으로 변환합니다. 잘린 특성은 일반적으로 연속 특성입니다.

예를 들어 온도를 단일 부동 소수점 특성으로 표현하는 대신 온도 범위를 불연속 버킷으로 다음과 같이 절단할 수 있습니다.

  • 섭씨 10도 미만은 '콜드' 버킷이 됩니다.
  • 섭씨 11~24도는 '온도' 버킷이 될 것입니다.
  • 섭씨 25도보다 높을 경우 '웜' 버킷이 될 것입니다.

모델은 동일한 버킷의 모든 값을 동일하게 취급합니다. 예를 들어 1322 값은 모두 온전한 버킷에 있으므로 모델은 두 값을 동일하게 취급합니다.

C

범주형 데이터

#fundamentals

가능한 값의 특정 집합을 갖는 특성입니다. 예를 들어 다음 세 가지 값 중 하나만 사용할 수 있는 traffic-light-state이라는 범주형 특성을 가정해 보겠습니다.

  • red
  • yellow
  • green

모델은 traffic-light-state를 범주형 특성으로 나타내므로 red, green, yellow가 드라이버 동작에 미치는 영향을 다양한 방식으로 학습할 수 있습니다.

범주형 특성을 불연속 특성이라고도 합니다.

숫자 데이터와 대비되는 개념입니다.

클래스

#fundamentals

라벨이 속할 수 있는 카테고리입니다. 예를 들면 다음과 같습니다.

  • 스팸을 감지하는 이진 분류 모델에서 두 클래스는 스팸일 수도 있고 스팸이 아닐 수도 있습니다.
  • 견종을 식별하는 다중 클래스 분류 모델에서는 클래스가 푸들, 비글, 퍼그 등일 수 있습니다.

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

분류 모델

#fundamentals

예측이 클래스모델입니다. 예를 들어 다음은 모든 분류 모델입니다.

  • 입력 문장의 언어를 예측하는 모델입니다. 스페인어? 이탈리아어?)
  • 나무 종을 예측하는 모델 (Maple? 오크? 바오밥?)
  • 특정 의학적 상태의 포지티브 또는 네거티브 클래스를 예측하는 모델입니다.

반대로 회귀 모델은 클래스가 아닌 숫자를 예측합니다.

두 가지 일반적인 분류 모델 유형은 다음과 같습니다.

분류 임계값

#fundamentals

이진 분류에서 0과 1 사이의 숫자로, 로지스틱 회귀 모델의 원시 출력을 포지티브 클래스 또는 네거티브 클래스의 예측으로 변환합니다. 분류 임곗값은 모델 학습에서 선택한 값이 아니라 사용자가 선택하는 값입니다.

로지스틱 회귀 모델은 0과 1 사이의 원시 값을 출력합니다. 다음 안내를 따르세요.

  • 이 원시 값이 분류 임곗값보다 크다면 포지티브 클래스가 예측됩니다.
  • 이 원시 값이 분류 임곗값보다 작으면 네거티브 클래스가 예측됩니다.

예를 들어 분류 임계값이 0.8이라고 가정합니다. 원시 값이 0.9이면 모델은 포지티브 클래스를 예측합니다. 원시 값이 0.7이면 모델은 네거티브 클래스를 예측합니다.

분류 임계값의 선택은 거짓양성거짓음성의 수에 큰 영향을 미칩니다.

클래스 불균형 데이터 세트

#fundamentals

각 클래스의 총 라벨 수가 크게 다른 분류 문제의 데이터 세트입니다. 예를 들어 두 라벨을 다음과 같이 나누는 이진 분류 데이터 세트를 생각해 보세요.

  • 제외 라벨 1,000,000개
  • 긍정적인 라벨 10개

음성과 음성 라벨의 비율은 100,000 대 1이므로 클래스 불균형 데이터 세트입니다.

반면에 다음 데이터 세트는 포지티브 라벨의 비율과 포지티브 라벨의 비율이 비교적 1에 가까우므로 클래스 불균형이 아닙니다.

  • 제외 라벨 517개
  • 긍정적인 라벨 483개

다중 클래스 데이터 세트도 클래스 불균형을 달성할 수 있습니다. 예를 들어 다음 다중 클래스 분류 데이터 세트는 한 라벨에 다른 두 데이터 라벨보다 훨씬 많은 예시가 있기 때문에 클래스 불균형입니다.

  • 'green' 클래스 라벨이 지정된 라벨 1,000,000개
  • '자주색' 클래스가 있는 라벨 200개
  • '주황색' 클래스를 포함하는 라벨 350개

엔트로피, 메이저 클래스, 다수 클래스도 참고하세요.

클리핑

#fundamentals

다음 중 하나 또는 둘 다를 수행하여 이상점을 처리하는 기법입니다.

  • 최대 임곗값보다 큰 feature 값을 해당 최대 임곗값까지 줄입니다.
  • 최소 임곗값보다 작은 특성 값을 해당 최소 임곗값까지 늘립니다.

예를 들어 특정 특성 값의 0.5% 미만이 40~60 범위를 벗어났다고 가정하겠습니다. 이 경우 다음과 같이 할 수 있습니다.

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

이상점은 모델을 손상시켜 학습 중에 가중치가 오버플로될 수 있습니다. 또한 일부 이상점은 정확성과 같은 측정항목을 크게 망칠 수 있습니다. 클리핑은 손상을 제한하는 일반적인 기술입니다.

경사 제한은 학습 중에 지정된 범위 내에서 경사 값을 강제로 지정합니다.

혼동 행렬

#fundamentals

분류 모델의 올바른 예측과 잘못된 예측 수를 요약한 NxN 표. 이진 분류 모델에 다음과 같은 혼동 행렬을 예로 들어 보겠습니다.

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

위의 혼동 행렬은 다음을 보여줍니다.

  • 실측이 종양인 19개의 예측 중 모델이 18개를 올바르게 분류했고 1개를 잘못 분류했습니다.
  • 정답이 비종양인 458개의 예측 중에서 모델이 452를 올바르게 분류하고 6개를 잘못 분류했습니다.

다중 클래스 분류 문제의 혼동 행렬은 실수 패턴을 식별하는 데 도움이 될 수 있습니다. 예를 들어 3개의 서로 다른 붓꽃 유형(버지니카, 베르시컬러, 세토사)을 분류하는 3 클래스 멀티 클래스 분류 모델에 다음과 같은 혼동 행렬이 있다고 가정해 보겠습니다. 정답이 버지니아인 경우 혼동 행렬은 모델이 Setosa보다 실수로 Versicolor를 예측할 가능성이 높다는 것을 보여줍니다.

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

또 다른 예로, 혼동 행렬은 필기 입력된 숫자를 인식하도록 학습된 모델이 4가 아닌 9를 잘못 예측하거나 7이 아닌 1을 잘못 예측하는 경향이 있음을 나타낼 수 있습니다.

혼동 행렬에는 정밀도재현율을 비롯한 다양한 성능 측정항목을 계산하는 데 충분한 정보가 포함되어 있습니다.

연속 특성

#fundamentals

온도 또는 가중치와 같이 가능한 무한대의 범위를 갖는 부동 소수점 특성입니다.

불연속 특성과 대비되는 개념입니다.

수렴

#fundamentals

반복에서 손실 값이 거의 또는 전혀 변하지 않는 경우에 도달하는 상태입니다. 예를 들어 다음 손실 곡선은 약 700회 반복에서의 수렴을 제안합니다.

데카르트 그래프 X축은 손실입니다. Y축은 학습 반복 횟수입니다. 처음 몇 차례의 반복에서는 손실이 매우 크지만 크게 감소합니다. 약 100번의 반복 후에도 손실이 여전히 하강하고 있지만, 서서히 감소하고 있습니다. 약 700번의 반복 후에도 손실은 일정하게 유지됩니다.

추가 학습으로는 모델이 개선되지 않으면 모델이 수렴합니다.

딥 러닝에서 손실 값이 일정하게 유지되거나 거의 반복되므로 최종적으로 내림차순이 됩니다. 오랜 시간 동안 지속적으로 손실 값이 발생하면 일시적으로 수렴 감각이 잘못될 수 있습니다.

조기 중단도 참고하세요.

D

DataFrame

#fundamentals

메모리에서 데이터 세트를 표현하는 데 널리 사용되는 Pandas 데이터 유형입니다.

DataFrame은 테이블 또는 스프레드시트와 유사합니다. DataFrame의 각 열에는 이름 (헤더)이 있으며 각 행은 고유한 번호로 식별됩니다.

DataFrame의 각 열은 2D 배열처럼 구조화됩니다. 단, 각 열에 고유한 데이터 유형이 할당될 수 있습니다.

공식 Pandas.DataFrame 참조 페이지도 확인하세요.

데이터 세트 또는 데이터 세트

#fundamentals

원시 데이터의 컬렉션으로, 일반적으로 다음 형식 중 하나로 구성됩니다.

  • 스프레드시트
  • CSV (쉼표로 구분된 값) 형식의 파일

딥 모델

#fundamentals

두 개 이상의 히든 레이어가 포함된 신경망.

심층 모델을 심층신경망이라고도 합니다.

와이드 모델과 대비되는 개념입니다.

밀집 특성

#fundamentals

대부분의 값 또는 모든 값이 0이 아닌 특성(일반적으로 부동 소수점 값의 텐서). 예를 들어 다음 10개 요소 텐서는 9가 0이 아니므로 조밀합니다.

8 3 7 5 2 4 0 4 9 6

희소 특성과 대비되는 개념입니다.

depth

#fundamentals

신경망의 다음 합계입니다.

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 동물, 식물, 광물 중 하나여야 하는 특성은 불연속 또는 범주형 특성입니다.

연속 특성과 대비되는 개념입니다.

동적

#fundamentals

자주 또는 지속적으로 수행되는 작업 동적온라인이라는 용어는 머신러닝에서 동의어로 사용됩니다. 머신러닝에서 동적온라인을 사용하는 일반적인 사례는 다음과 같습니다.

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

동적 모델

#fundamentals

자주 (경우에 따라) 지속적으로 재학습되는 모델. 동적 모델은 끊임없이 변화하는 데이터에 지속적으로 적응하는 '평생 학습자'입니다. 동적 모델은 온라인 모델이라고도 합니다.

정적 모델과 대비되는 개념입니다.

E

조기 중단

#fundamentals

학습 손실 감소가 완료되기 전에 학습을 종료하는 정규화 방법 조기 중단에서는 검증 데이터 세트의 손실이 증가하기 시작할 때 즉, 일반화 성능이 악화될 때 모델 학습을 의도적으로 중지합니다.

임베딩 레이어

#language
#fundamentals

저차원 임베딩 벡터를 점진적으로 학습하기 위해 고차원 범주형 특성으로 학습하는 특수한 히든 레이어 임베딩 레이어를 사용하면 신경망이 고차원 범주형 특성만 학습하는 것보다 훨씬 효율적으로 학습할 수 있습니다.

예를 들어, 어스는 현재 약 73,000개의 수종을 지원합니다. 트리 종이 모델의 특성이라고 하며, 모델의 입력 레이어에 원-핫 벡터 요소 73,000개가 포함되어 있다고 가정해 보겠습니다. 예를 들어 baobab는 다음과 같이 나타낼 수 있습니다.

73,000개 요소의 배열 처음 6,232개 요소는 값 0을 보유합니다. 다음 요소에는 값 1이 있습니다. 마지막 요소 66,767개는 값이 0입니다.

73,000개 요소의 배열이 매우 깁니다. 모델에 임베딩 레이어를 추가하지 않으면 72,999개의 0을 곱하기 때문에 학습에 시간이 많이 걸립니다. 예를 들어 임베딩 레이어를 12개의 차원으로 구성할 수 있습니다. 결과적으로 임베딩 레이어가 각 트리 종의 새로운 임베딩 벡터를 점진적으로 학습합니다.

특정 상황에서는 임베딩 레이어 대신 해싱이 합리적인 대안이 됩니다.

에포크

#fundamentals

예시가 한 번씩 처리된 전체 학습 세트에 대한 전체 학습 패스입니다.

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

예를 들어 다음과 같이 가정해 보겠습니다.

  • 데이터 세트는 1,000개의 예시로 구성됩니다.
  • 배치 크기는 50가지 예시입니다.

따라서 1 에포크에는 20번의 반복이 필요합니다.

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

example(예시)

#fundamentals

features의 한 행 값 및 label 가능. 지도 학습의 예는 두 가지 일반 카테고리로 나뉩니다.

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

예를 들어 날씨 조건이 학생의 시험 점수에 미치는 영향을 확인하도록 모델을 학습시킨다고 가정해 보겠습니다. 다음은 라벨이 지정된 세 가지 예입니다.

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

라벨이 없는 예 3개를 소개합니다.

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

데이터 세트의 행은 일반적으로 예시의 원시 소스입니다. 즉, 예는 일반적으로 데이터 세트의 열 하위 집합으로 구성됩니다. 또한 예시의 특성에는 특성 교차와 같은 합성 특성이 포함될 수도 있습니다.

F

거짓음성 (FN)

#fundamentals

모델에서 네거티브 클래스를 잘못 예측한 예입니다. 예를 들어 모델에서 특정 이메일 메시지가 스팸이 아닌(네거티브 클래스) 예측하지만 이 이메일 메시지는 실제로 스팸입니다.

거짓양성 (FP)

#fundamentals

모델에서 포지티브 클래스를 잘못 예측한 예입니다. 예를 들어 모델에서 특정 이메일 메시지가 스팸 (포지티브 클래스)이라고 예측하지만 이 이메일 메시지는 실제로 스팸이 아님이라고 판단합니다.

거짓양성률 (FPR)

#fundamentals

모델에서 포지티브 클래스를 잘못 예측한 실제 음성 예의 비율입니다. 다음 수식은 거짓양성률을 계산합니다.

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

거짓양성률은 ROC 곡선의 x축입니다.

기능

#fundamentals

머신러닝 모델의 입력 변수입니다. 예시는 하나 이상의 특성으로 구성됩니다. 예를 들어 기상 조건이 학생의 시험 점수에 미치는 영향을 확인하도록 모델을 학습시킨다고 가정해 보겠습니다. 다음 표에는 3가지 예시가 나와 있으며 각 예시에는 3가지 특성과 1개의 라벨이 포함되어 있습니다.

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

라벨과 대비되는 개념입니다.

특성 교차

#fundamentals

범주형 또는 버케팅된 특성으로 '교차'하여 구성되는 합성 특성입니다.

예를 들어 다음 네 가지 버킷 중 하나에서 온도를 나타내는 '기분 예측' 모델을 살펴보겠습니다.

  • freezing
  • chilly
  • temperate
  • warm

다음 세 가지 버킷 중 하나에서 풍속을 나타냅니다.

  • still
  • light
  • windy

특성 교차가 없으면 선형 모델은 앞의 각 7개의 버킷을 독립적으로 학습합니다. 예를 들어 모델은 windy에서 학습과는 별개로 freezing에서 학습됩니다.

또는 온도와 풍속의 특성 교차를 만들 수도 있습니다. 이 합성 특성에는 다음과 같은 12개의 값을 사용할 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 교차 덕분에 모델은 freezing-windy일에서 freezing-still일 사이의 분위기 차이를 학습할 수 있습니다.

각각 다른 버킷이 많이 있는 두 특성으로 합성 특성을 만들면 결과 특성 교차에 엄청난 수의 조합이 생성됩니다. 예를 들어 한 특성에 1,000개의 버킷이 있고 다른 특성에는 2,000개의 버킷이 있는 경우 결과 특성 교차에 2,000,000개의 버킷이 포함됩니다.

공식적으로 교차는 카티전 곱입니다.

특성 교차는 대부분 선형 모델에서 사용되며 신경망에서는 거의 사용되지 않습니다.

특성 추출

#fundamentals
TensorFlow

다음 단계를 포함하는 프로세스입니다.

  1. 모델 학습에 유용할 수 있는 특성 결정
  2. 데이터 세트의 원시 데이터를 이러한 특성의 효율적인 버전으로 변환합니다.

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

특성 추출을 특성 추출이라고도 합니다.

특성 세트

#fundamentals

머신러닝 모델이 학습하는 특성 그룹입니다. 예를 들어 우편번호, 부동산 규모, 부동산 조건은 주택 가격을 예측하는 모델에 대한 간단한 특성 세트로 구성될 수 있습니다.

특징 벡터

#fundamentals

예시로 구성된 feature 값의 배열. 특성 벡터는 학습추론 중에 입력됩니다. 예를 들어 두 개의 개별 특성이 있는 모델의 특성 벡터는 다음과 같습니다.

[0.92, 0.56]

레이어 4개: 입력 레이어 1개, 히든 레이어 2개, 출력 레이어 1개
          입력 레이어에는 노드 0.92와 노드 0.56이 각각 포함된 노드 두 개가 포함됩니다.

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

[0.73, 0.49]

특성 추출은 특성 벡터에서 특성을 표현하는 방법을 결정합니다. 예를 들어 5개의 가능한 값을 갖는 이진 범주형 특성은 원-핫 인코딩으로 표현될 수 있습니다. 이 경우 특정 예의 특성 벡터 부분은 다음과 같이 세 개의 0과 세 번째 위치의 단일 1.0으로 구성됩니다.

[0.0, 0.0, 1.0, 0.0, 0.0]

또 다른 예로, 모델이 다음 세 가지 특성으로 구성되어 있다고 가정해 보겠습니다.

  • 원-핫 인코딩으로 표현될 수 있는 값이 5개 포함된 이진 범주형 특성(예: [0.0, 1.0, 0.0, 0.0, 0.0])
  • 원-핫 인코딩으로 표현될 수 있는 3개의 값을 갖는 또 다른 바이너리 범주형 특성. 예: [0.0, 0.0, 1.0]
  • 부동 소수점 특성(예: 8.3)

이 경우 각 예의 특성 벡터는 9 값으로 표현됩니다. 앞의 목록의 예시 값을 참고하면 특성 벡터는 다음과 같습니다.

0.0
1.0
0.0
0.0
0.0
0.0
0.0
1.0
8.3

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 주며, 이후에 영화에 대한 추천 모델에 영향을 미칩니다.

G

일반화

#fundamentals

이전에 본 적 없는 새로운 데이터를 올바르게 예측하는 모델 기능 일반화 가능한 모델은 과적합된 모델과 반대입니다.

일반화 곡선

#fundamentals

반복 횟수에 대한 학습 손실검증 손실 도표

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

y축에 '손실' 라벨이 지정되고 x축에 '반복' 라벨이 지정되는 데카르트 그래프입니다. 두 플롯이 나타납니다. 한 도표는 학습 손실을, 다른 도표는 검증 손실을 보여줍니다.
          두 플롯은 비슷하게 시작하지만 학습 손실은 검증 손실보다 훨씬 낮습니다.

경사하강법

#fundamentals

손실을 최소화하는 수학적 기법입니다. 경사하강법은 가중치편향을 반복적으로 조정하여 손실을 최소화할 수 있는 최적의 조합을 점진적으로 찾습니다.

경사하강법은 머신러닝보다 훨씬 오래되었습니다.

정답

#fundamentals

현실입니다.

실제로 발생한 상황입니다.

예를 들어 대학교 1학년생이 6년 이내에 졸업할지를 예측하는 이진 분류 모델을 가정해 보겠습니다. 이 모델의 정답은 해당 학생이 실제로 6년 이내에 졸업했는지 여부입니다.

H

히든 레이어

#fundamentals

입력 레이어 (특성)와 출력 레이어 (예측) 사이에 있는 신경망의 레이어입니다. 각 히든 레이어는 하나 이상의 뉴런으로 구성됩니다. 예를 들어 다음 신경망에는 2개의 히든 레이어가 포함됩니다. 첫 번째는 뉴런이 3개이고 두 번째는 뉴런이 2개입니다.

4개의 레이어 첫 번째 레이어는 두 개의 특성을 포함하는 입력 레이어입니다. 두 번째 레이어는 뉴런 3개가 포함된 히든 레이어입니다. 세 번째 레이어는 뉴런 두 개가 포함된 히든 레이어입니다. 네 번째 레이어는 출력 레이어입니다. 각 특성에는 세 번째 가장자리가 포함되며 각 가장자리는 두 번째 레이어의 다른 뉴런을 가리킵니다. 두 번째 레이어의 각 뉴런에는 세 개의 가장자리가 포함되며 각 가장자리는 세 번째 레이어의 다른 뉴런을 가리킵니다. 세 번째 레이어의 각 뉴런에는 각각 하나의 출력 레이어를 가리키는 하나의 에지가 포함되어 있습니다.

심층신경망에는 2개 이상의 히든 레이어가 포함됩니다. 예를 들어 앞의 그림은 모델에 히든 레이어 두 개가 포함되어 있으므로 심층신경망입니다.

초매개변수

#fundamentals

모델 조정의 연속 실행 중에 사용자 또는 초매개변수 조정 서비스가 조정하는 변수 예를 들어 학습률은 초매개변수입니다. 학습 세션 1회 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 가중치편향입니다.

I

독립적이고 동일한 분포 (i.i.d)

#fundamentals

변경되지 않는 분포에서 가져온 데이터이며, 그린 각 값은 이전에 그려진 값에 의존하지 않습니다. i.i.d.는 머신러닝의 이상기체로 유용한 수학적 구조이지만 현실에서는 거의 찾을 수 없습니다. 예를 들어 웹페이지 방문자 분포는 짧은 기간에는 i.i.d.i일 수 있습니다. 즉, 짧은 기간에는 분포가 변하지 않으며 한 사용자의 방문이 일반적으로 다른 사용자의 방문과 관련이 없습니다. 그러나 기간을 확대하면 웹페이지 방문자에 계절적 차이가 나타날 수 있습니다.

비정규성도 참고하세요.

추론

#fundamentals

머신러닝에서 학습된 모델을 라벨이 없는 예에 적용하여 예측을 수행하는 프로세스

추론의 의미는 통계에서 약간 다릅니다. 자세한 내용은 통계적 추론에 대한 위키백과 문서를 참조하세요.

입력 레이어

#fundamentals

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

레이어 4개: 입력 레이어, 히든 레이어 2개, 출력 레이어

해석 가능성

#fundamentals

ML 모델 추론을 이해 가능한 방식으로 설명하거나 사용자에게 제시할 수 있는 능력

예를 들어 대부분의 선형 회귀 모델은 해석 가능성이 매우 높습니다. 각 특성의 학습된 가중치를 살펴봐야 합니다. 결정 포레스트도 해석 가능성이 높습니다. 하지만 일부 모델은 해석 가능한 정교한 시각화가 필요합니다.

학습 해석 도구 (LIT)를 사용하여 ML 모델을 해석할 수 있습니다.

반복

#fundamentals

학습모델 매개변수(모델의 가중치편향)의 단일 업데이트 배치 크기는 모델이 단일 반복에서 처리하는 예의 수를 결정합니다. 예를 들어 배치 크기가 20이라면 모델은 매개변수를 조정하기 전에 예시 20개를 처리합니다.

신경망을 학습시킬 때 단일 반복에는 다음 두 패스가 포함됩니다.

  1. 단일 배치의 손실을 평가하는 정방향 전달입니다.
  2. 역방향 전달 (역전파) - 손실 및 학습률을 기반으로 모델의 매개변수를 조정합니다.

L

L0 정규화

#fundamentals

모델에서 0이 아닌 가중치총 개수에 페널티를 주는 정규화 유형입니다. 예를 들어 가중치가 11이 아닌 모델에 가중치가 10이 아닌 유사한 모델에 비해 더 많은 페널티가 적용됩니다.

L0 정규화는 L0-norm 정규화라고도 합니다.

L1 손실

#fundamentals

실제 label 값과 모델이 예측하는 값 간 차이의 절대값을 계산하는 손실 함수입니다. 예를 들어 다음은 5가지 예시배치에 대한 L1 손실을 계산합니다.

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

L1 손실은 L2 손실보다 이상점에 덜 민감합니다.

평균 절대 오차는 예시당 평균 L1 손실입니다.

L1 정규화

#fundamentals

가중치의 절댓값 합계에 비례하여 가중치에 페널티를 주는 정규화 유형입니다. L1 정규화는 관련성이 없거나 매우 낮은 특성의 가중치를 정확히 0으로 유도하는 데 도움이 됩니다. 가중치가 0인 특성은 모델에서 효과적으로 삭제됩니다.

L2 정규화와 대비되는 개념입니다.

L2 손실(L2)

#fundamentals

실제 label 값과 모델이 예측하는 값 사이의 차의 제곱을 계산하는 손실 함수입니다. 예를 들어 배치 5개의 예시에 대한 L2 손실은 다음과 같습니다.

예시의 실제 값 모델의 예측 값 델타 정사각형
7 6 1
5 4 1
8 11 9
4 6 4
9 8 1
  16 = L2 손실

제곱으로 인해 L2 손실은 이상점의 영향을 증폭시킵니다. 즉, L2 손실은 L1 손실보다 잘못된 예측에 더 많이 반응합니다. 예를 들어 위 배치의 L1 손실은 16이 아닌 8입니다. 단일 이상점은 16개 중 9개를 차지합니다.

회귀 모델은 일반적으로 L2 손실을 손실 함수로 사용합니다.

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

L2 정규화

#fundamentals

가중치 제곱의 합에 비례하여 가중치에 페널티를 주는 정규화 유형입니다. L2 정규화는 높은 양수 또는 낮은 음수 값을 가진 이상점 가중치를 0에 가까워지지만 0에 가깝지 않음을 유도하는 데 도움이 됩니다. 값이 0에 매우 가까운 특성은 모델에 그대로 남아 있지만 모델의 예측에는 크게 영향을 미치지 않습니다.

L2 정규화는 항상 선형 모델의 일반화를 개선합니다.

L1 정규화와 대비되는 개념입니다.

라벨

#fundamentals

지도 머신러닝에서 의 '답변' 또는 '결과' 부분

라벨이 있는 예는 하나 이상의 특성과 라벨로 구성됩니다. 예를 들어 스팸 감지 데이터 세트에서 라벨은 '스팸' 또는 '스팸 아님'일 수 있습니다. 강우량 데이터 세트에서 라벨은 특정 기간 동안 강수량이 될 수 있습니다.

라벨이 있는 예

#fundamentals

하나 이상의 특성라벨이 포함된 예입니다. 예를 들어 다음 표는 주택 평가 모델의 라벨이 지정된 예 3개를 보여줍니다. 각 예시에는 특성 3개와 라벨 1개가 있습니다.

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

지도 머신러닝에서 모델은 라벨이 있는 예를 학습하고 라벨이 없는 예를 기반으로 예측합니다.

라벨이 있는 예와 라벨이 없는 예를 대조합니다.

람다

#fundamentals

정규화율의 동의어입니다.

람다는 과부하된 용어입니다. 여기서는 정규화의 용어 정의에 집중합니다.

레이어

#fundamentals

신경망뉴런 집합입니다. 일반적인 세 가지 레이어 유형은 다음과 같습니다.

예를 들어 다음 그림은 입력 레이어 하나, 히든 레이어 두 개, 출력 레이어 하나가 있는 신경망을 보여줍니다.

입력 레이어 1개, 히든 레이어 2개, 출력 레이어 1개가 있는 신경망 입력 레이어는 두 가지 특성으로 구성됩니다. 첫 번째 히든 레이어는 3개의 뉴런으로, 두 번째 히든 레이어는 2개의 뉴런으로 구성됩니다. 출력 레이어는 단일 노드로 구성됩니다.

TensorFlow에서 레이어텐서 및 구성 옵션을 입력으로 사용하고 다른 텐서를 출력으로 생성하는 Python 함수이기도 합니다.

학습률

#fundamentals

경사하강법 알고리즘에 각 반복에서 가중치와 편향을 얼마나 강하게 조정할지 알려주는 부동 소수점 수입니다. 예를 들어 학습률이 0.3이면 학습률인 0.1보다 가중치와 편향이 3배 더 강력하게 조정됩니다.

학습률은 핵심 초매개변수입니다. 학습률을 너무 낮게 설정하면 학습에 시간이 너무 오래 걸립니다. 학습률을 너무 높게 설정하면 경사하강법에서 수렴에 도달하는 데 어려움을 겪는 경우가 많습니다.

선형 모델

#fundamentals

예측을 수행하기 위해 특성당 하나의 가중치를 할당하는 모델 선형 모델에는 편향도 포함됩니다. 반면에 딥 모델의 특성과 예측의 관계는 일반적으로 비선형입니다.

선형 모델은 일반적으로 심층 모델보다 더 쉽게 학습하고 해석할 수 있습니다. 그러나 딥 모델은 특성 복잡한 관계를 학습할 수 있습니다.

선형 회귀로지스틱 회귀는 두 가지 유형의 선형 모델입니다.

선형

#fundamentals

덧셈과 곱셈을 통해서만 표현할 수 있는 2개 이상의 변수 간의 관계입니다.

선형 관계의 도표는 선입니다.

비선형과 대비되는 개념입니다.

선형 회귀

#fundamentals

다음 두 가지에 모두 해당하는 머신러닝 모델의 한 유형입니다.

  • 모델이 선형 모델입니다.
  • 예측은 부동 소수점 값입니다. 이는 선형 회귀회귀 부분입니다.

로지스틱 회귀와 선형 회귀를 비교합니다. 또한 분류와 대비를 이룹니다.

로지스틱 회귀

#fundamentals

확률을 예측하는 회귀 모델 유형입니다. 로지스틱 회귀 모델에는 다음과 같은 특성이 있습니다.

  • 라벨은 범주형입니다. 로지스틱 회귀는 일반적으로 이진 로지스틱 회귀를 나타내며, 가능한 값이 2개인 라벨의 확률을 계산하는 모델을 나타냅니다. 덜 일반적인 대안인 다항 로지스틱 회귀에서는 가능한 값이 3개를 초과하는 라벨의 확률을 계산합니다.
  • 학습 중 손실 함수는 로그 손실입니다. 가능한 값이 3개 이상인 라벨에 대해 여러 개의 로그 손실 단위를 동시에 배치할 수 있습니다.
  • 이 모델에는 심층신경망이 아닌 선형 아키텍처가 있습니다. 그러나 이 정의의 나머지 부분은 범주형 라벨의 확률을 예측하는 딥 모델에도 적용됩니다.

예를 들어 입력 이메일이 스팸이거나 스팸이 아닐 확률을 계산하는 로지스틱 회귀 모델이 있다고 가정해 보겠습니다. 추론 중에 모델에서 0.72를 예측한다고 가정합니다. 따라서 모델은 다음과 같이 추정합니다.

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

로지스틱 회귀 모델은 다음 2단계 아키텍처를 사용합니다.

  1. 이 모델은 입력 특성의 선형 함수를 적용하여 원시 예측 (y')을 생성합니다.
  2. 모델은 이 원시 예측을 시그모이드 함수에 대한 입력으로 사용하며, 이 함수에서는 원시 예측을 0과 1 사이의 값(배타적 값)으로 변환합니다.

다른 회귀 모델과 마찬가지로 로지스틱 회귀 모델도 숫자를 예측합니다. 하지만 이 값은 일반적으로 다음과 같이 이진 분류 모델의 일부입니다.

  • 예측한 수가 분류 임계값보다 경우 이진 분류 모델은 포지티브 클래스를 예측합니다.
  • 예측된 숫자가 분류 임곗값보다 작은 경우 이진 분류 모델은 네거티브 클래스를 예측합니다.

로그 손실

#fundamentals

바이너리 로지스틱 회귀에 사용되는 손실 함수입니다.

로그 오즈

#fundamentals

이벤트 홀수의 로그입니다.

손실

#fundamentals

지도 학습 모델학습 중에 모델의 예측라벨에서 떨어진 정도를 측정합니다.

손실 함수는 손실을 계산합니다.

손실 곡선

#fundamentals

학습 반복 횟수에 대한 손실 도표 다음 그래프는 일반적인 손실 곡선을 보여줍니다.

손실과 학습 반복을 나타내는 카티전 그래프로, 초기 반복에서 손실이 급격히 감소한 다음 점진적인 하락을 거쳐 최종 반복 중에 평평한 기울기를 표시합니다.

손실 곡선을 사용하면 모델이 수렴 또는 과적합되는 시점을 파악할 수 있습니다.

손실 곡선에는 다음 유형의 손실이 모두 표시될 수 있습니다.

일반화 곡선도 참고하세요.

손실 함수

#fundamentals

학습 또는 테스트 중에 예시의 배치에 대한 손실을 계산하는 수학 함수입니다. 손실 함수는 예측이 좋지 않은 모델에 비해 좋은 예측을 하는 모델에 더 낮은 손실을 반환합니다.

학습의 목표는 일반적으로 손실 함수가 반환하는 손실을 최소화하는 것입니다.

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

M

머신러닝

#fundamentals

입력 데이터로부터 모델학습하는 프로그램 또는 시스템 학습된 모델은 모델을 학습시키는 데 사용된 것과 같은 분포에서 새로운 (이전에는 본 적 없는) 데이터로부터 유용한 예측을 수행할 수 있습니다.

머신러닝은 이러한 프로그램이나 시스템과 관련된 연구 분야를 의미하기도 합니다.

대다수 클래스

#fundamentals

클래스 불균형 데이터 세트에서 보다 일반적인 라벨입니다. 예를 들어 네거티브 라벨이 99%, 포지티브 라벨이 1% 인 데이터 세트의 경우 네거티브 라벨이 대부분 클래스입니다.

다수 클래스와 대비되는 개념입니다.

미니 배치

#fundamentals

하나의 반복으로 처리되는 무작위로 선택된 배치의 작은 하위 집합입니다. 미니 배치의 배치 크기는 일반적으로 10~1,000개입니다.

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 예시 중 무작위로 20개의 손실을 확인한 다음 그에 따라 가중치편향을 조정합니다.

전체 배치에 있는 모든 예시의 손실보다 미니 배치의 손실을 계산하는 것이 훨씬 효율적입니다.

소수 범주

#fundamentals

클래스 불균형 데이터 세트의 사용 빈도가 낮은 라벨 예를 들어 네거티브 라벨 99% 와 포지티브 라벨이 1% 인 데이터 세트의 경우 포지티브 라벨은 소수 클래스입니다.

주 클래스와 대비되는 개념입니다.

모델

#fundamentals

일반적으로 입력 데이터를 처리하고 출력을 반환하는 수학적 구조입니다. 달리 표현하자면 모델은 시스템이 예측을 수행하는 데 필요한 매개변수와 구조의 집합입니다. 지도 머신러닝에서 모델은 예시를 입력으로 사용하고 예측을 출력으로 추론합니다. 지도 머신러닝 내에서 모델은 다소 다릅니다. 예를 들면 다음과 같습니다.

  • 선형 회귀 모델은 가중치편향으로 구성됩니다.
  • 신경망 모델은 다음으로 구성됩니다.
    • 히든 레이어의 집합으로, 각 레이어에는 하나 이상의 뉴런이 포함됩니다.
    • 각 뉴런과 관련된 가중치 및 편향입니다.
  • 결정 트리 모델은 다음으로 구성됩니다.
    • 트리의 모양, 즉 조건과 잎이 연결되는 패턴입니다.
    • 조건 및 출고입니다.

모델을 저장, 복원 또는 사본을 만들 수 있습니다.

비지도 머신러닝은 일반적으로 입력 예시를 가장 적절한 클러스터에 매핑할 수 있는 함수인 모델을 생성합니다.

다중 클래스 분류

#fundamentals

지도 학습에서 데이터 세트에 3개 이상의 클래스 라벨이 포함된 분류 문제입니다. 예를 들어 Iris 데이터 세트의 라벨은 다음 세 가지 클래스 중 하나여야 합니다.

  • 아이리스 세토사
  • 이리스 버지니카
  • 홍채 이미지

새로운 예에서 Iris 유형을 예측하는 Iris 데이터 세트에서 학습된 모델이 다중 클래스 분류를 수행합니다.

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

클러스터링 문제에서 다중 클래스 분류는 3개 이상의 클러스터를 의미합니다.

구매 불가

네거티브 클래스

#fundamentals

이진 분류에서는 두 클래스 중 하나는 포지티브이고 다른 하나는 음수라고 합니다. 포지티브 클래스는 모델이 테스트하는 항목 또는 이벤트이고 네거티브 클래스는 또 다른 가능성입니다. 예를 들면 다음과 같습니다.

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

포지티브 클래스와 대비되는 개념입니다.

출력은

#fundamentals

하나 이상의 숨겨진 레이어가 포함된 모델입니다. 심층신경망은 2개 이상의 히든 레이어를 포함하는 일종의 신경망입니다. 예를 들어 다음 다이어그램은 히든 레이어 두 개가 포함된 심층신경망을 보여줍니다.

입력 레이어, 히든 레이어 2개, 출력 레이어가 있는 신경망

신경망의 각 뉴런은 다음 레이어의 모든 노드에 연결됩니다. 예를 들어 앞의 다이어그램에서 첫 번째 히든 레이어의 세 뉴런 각각은 두 번째 히든 레이어의 두 뉴런 모두에 개별적으로 연결됩니다.

컴퓨터에 구현된 신경망은 뇌 및 기타 신경계에서 발견되는 신경망과 구분하기 위해 인공신경망이라고도 합니다.

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

컨볼루셔널 신경망순환 신경망도 참고하세요.

뉴런

#fundamentals

머신러닝에서 신경망히든 레이어 내에 있는 고유한 단위입니다. 각 뉴런은 다음 2단계 작업을 수행합니다.

  1. 입력 값의 가중치 합계에 해당 가중치를 곱한 값을 계산합니다.
  2. 가중치가 적용된 합계를 활성화 함수에 입력으로 전달합니다.

첫 번째 히든 레이어의 뉴런은 입력 레이어의 특성 값 입력을 허용합니다. 첫 번째 히든 레이어의 모든 뉴런은 이전 히든 레이어의 뉴런으로부터 입력을 받습니다. 예를 들어 두 번째 히든 레이어의 뉴런은 첫 번째 히든 레이어의 뉴런에서 입력을 허용합니다.

다음 그림은 뉴런 두 개와 입력값을 강조표시합니다.

입력 레이어, 히든 레이어 2개, 출력 레이어가 있는 신경망 두 개의 뉴런이 강조표시됨: 첫 번째 히든 레이어에 있는 뉴런과 두 번째 히든 레이어에 한 개 첫 번째 히든 레이어의 강조표시된 뉴런은 입력 레이어의 두 특성에서 입력을 수신합니다. 두 번째 히든 레이어의 강조표시된 뉴런은 첫 번째 히든 레이어의 뉴런 세 개 각각으로부터 입력을 받습니다.

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

노드 (neural network)

#fundamentals

히든 레이어뉴런

비선형

#fundamentals

덧셈과 곱셈만으로는 표현할 수 없는 두 개 이상의 변수 간의 관계입니다. 선형 관계는 선으로 표현할 수 있으며, 비선형 관계는 선으로 표현할 수 없습니다. 예를 들어 각각 단일 특성을 단일 라벨에 연결하는 두 모델을 생각해 보세요. 왼쪽 모델은 선형이고 오른쪽 모델은 비선형입니다.

플롯 2개 플롯이 선 하나이므로 선형 관계입니다.
          다른 플롯은 곡선이므로 비선형 관계입니다.

비정규성

#fundamentals

하나 이상의 측정기준(일반적으로 시간)에 따라 값이 변경되는 특성입니다. 예를 들어 비정규성의 예를 살펴보겠습니다.

  • 특정 매장에서 판매되는 수영복 수는 계절에 따라 다릅니다.
  • 특정 지역에서 수확한 특정 과일의 양은 연중 대부분 0이지만 단기간은 큽니다.
  • 기후 변화로 인해 연간 평균 기온이 변화하고 있습니다.

정상성과 대비되는 개념입니다.

정규화

#fundamentals

일반적으로 변수의 실제 값 범위를 다음과 같은 표준 값 범위로 변환하는 프로세스입니다.

  • -1 ~ +1
  • 0~1
  • 정규 분포

예를 들어 특정 특성의 실제 값 범위가 800~2,400이라고 가정해 보겠습니다. 특성 추출의 일환으로 실제 값을 -1~+1과 같은 표준 범위로 정규화할 수 있습니다.

정규화는 특성 추출에서 일반적인 작업입니다. 일반적으로 모델은 특성 벡터의 모든 숫자 특성이 범위가 같으면 학습 속도를 높이고 더 나은 예측을 할 수 있습니다.

수치 데이터

#fundamentals

정수 또는 실수 값으로 표현된 특성입니다. 예를 들어 주택 평가 모델은 주택의 크기 (제곱피트 또는 제곱미터)를 수치 데이터로 나타낼 수 있습니다. 특성을 수치 데이터로 표현한다는 것은 특성값에 라벨과 수학적 관계가 있음을 나타냅니다. 즉, 주택의 제곱미터 수에는 주택 가치와 수학적 관계가 있을 수 있습니다.

모든 정수 데이터를 숫자 데이터로 표현해서는 안 됩니다. 예를 들어 일부 지역의 정수는 정수입니다. 그러나 정수 우편번호를 모델에서 숫자 데이터로 표시해서는 안 됩니다. 이는 20000의 우편번호가 10000의 우편번호보다 두 배 (또는 절반)가 아니기 때문입니다. 또한, 우편번호는 부동산의 가치와 상관관계가 있긴 하지만 우편번호가 20000인 부동산 가치가 우편번호가 10000인 부동산 가치의 두 배라고 가정할 수는 없습니다. 따라서 우편번호는 범주형 데이터로 표현해야 합니다.

숫자 특성을 연속 특성이라고도 합니다.

O

오프라인

#fundamentals

정적의 동의어입니다.

오프라인 추론

#fundamentals

모델에서 예측 배치를 생성하고 이러한 예측을 캐싱 (저장)하는 프로세스입니다. 그러면 앱이 모델을 다시 실행하는 대신 캐시에서 원하는 예측에 액세스할 수 있습니다.

예를 들어 4시간마다 일기예보를 예측하는 모델을 살펴보겠습니다. 각 모델이 실행된 후 시스템은 모든 현지 일기예보를 캐시합니다. 날씨 앱은 캐시에서 예보를 검색합니다.

오프라인 추론은 정적 추론이라고도 합니다.

온라인 추론과 대비되는 개념입니다.

원-핫 인코딩

#fundamentals

범주형 데이터를 벡터로 표현하는 경우:

  • 요소 1개가 1로 설정됩니다.
  • 다른 모든 요소는 0으로 설정됩니다.

원-핫 인코딩은 가능한 값의 유한집합을 갖는 문자열 또는 식별자를 표현하는 데 일반적으로 사용됩니다. 예를 들어 Scandinavia이라는 특정 범주형 특성에 다섯 개의 가능한 값이 있다고 가정해 보겠습니다.

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

원-핫 인코딩은 5개의 값을 각각 다음과 같이 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 인코딩 덕분에 모델은 5개 국가 각각에 기반하여 서로 다른 연결을 학습할 수 있습니다.

특성을 숫자 데이터로 표현하는 것은 원-핫 인코딩의 대안입니다. 스칸디나비아 국가를 숫자로 표현하면 안 됩니다. 예를 들어 다음과 같은 숫자 표현이 있습니다.

  • '덴마크'는 0입니다.
  • '스웨덴': 1
  • 'Norway'는 2입니다.
  • '핀란드'는 3입니다.
  • '아이슬란드' 4

숫자 인코딩을 사용하면 모델이 원시 숫자를 수학적으로 해석하고 해당 숫자를 학습하려고 시도합니다. 하지만 아이슬란드는 노르웨이에 비해 두 배 (또는 절반) 정도는 아니기 때문에 이상한 결과를 얻게 됩니다.

일대다

#fundamentals

N개의 클래스 분류 문제를 감안할 때, 가능한 각 결과에 대해 하나의 이진 분류기인 N개의 개별 이진 분류자로 구성된 해결책입니다. 예를 들어 예시를 동물, 식물 또는 광물로 분류하는 모델의 경우, 일대다 솔루션은 다음과 같은 세 가지 개별 이진 분류자를 제공합니다.

  • 동물 대 동물 아님
  • 채소 vs. 채소
  • 광물 vs. 광물

online

#fundamentals

동적의 동의어입니다.

온라인 추론

#fundamentals

주문형 예측 생성 예를 들어 앱에서 모델에 입력을 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 1개, 히든 레이어 2개, 출력 레이어가 있는 작은 심층신경망을 보여줍니다.

입력 레이어 1개, 히든 레이어 2개, 출력 레이어 1개가 있는 신경망 입력 레이어는 두 가지 특성으로 구성됩니다. 첫 번째 히든 레이어는 3개의 뉴런으로, 두 번째 히든 레이어는 2개의 뉴런으로 구성됩니다. 출력 레이어는 단일 노드로 구성됩니다.

과적합

#fundamentals

학습 데이터와 일치하는 모델을 너무 가깝게 만들면 모델이 새 데이터를 올바르게 예측하지 못합니다.

정규화를 사용하면 과적합을 줄일 수 있습니다. 크고 다양한 학습 세트에 대한 학습을 통해 과적합을 줄일 수도 있습니다.

P

pandas

#fundamentals

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

매개변수

#fundamentals

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

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

반면 초매개변수사용자 (또는 초매개변수 변경 서비스)가 모델에 제공하는 값입니다. 예를 들어 학습률은 초매개변수입니다.

포지티브 클래스

#fundamentals

테스트 중인 클래스

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

네거티브 클래스와 대비되는 개념입니다.

후처리

#fairness
#fundamentals

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

예를 들어 참양성률이 속성의 모든 값에 대해 동일한지 확인하여 일부 속성에 대해 기회 균등이 유지되도록 분류 임곗값을 설정하여 바이너리 분류기에 후처리를 적용할 수 있습니다.

예측

#fundamentals

모델의 출력입니다. 예를 들면 다음과 같습니다.

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

프록시 라벨

#fundamentals

데이터 세트에서 직접 사용할 수 없는 라벨을 추정하는 데 사용되는 데이터입니다.

예를 들어 직원의 스트레스 수준을 예측하도록 모델을 학습시켜야 합니다. 데이터 세트에는 많은 예측 특성이 포함되어 있지만 스트레스 수준이라는 라벨은 포함되어 있지 않습니다. 부담 없이 '직장 사고'를 스트레스 수준의 프록시 라벨로 선택합니다. 스트레스가 심한 직원이 차분한 직원보다 더 많은 사고를 당할 수 있기 때문입니다. 아니면 그럴까요? 직장 사고는 실제로 여러 가지 이유로 오르내릴 수 있습니다.

두 번째 예로 is it raining?을 데이터 세트의 부울 라벨로 지정하고 싶지만 데이터 세트에 비 데이터가 없다고 가정해 보겠습니다. 사진을 사용할 수 있는 경우 우산을 들고 있는 사람의 사진을 is it raining?의 프록시 라벨로 설정할 수 있습니다. 좋은 프록시 라벨인가요? 아마도, 하지만 일부 문화권의 사람들은 비보다 햇빛으로부터 보호하기 위해 우산을 들고 있을 가능성이 더 높습니다.

프록시 라벨은 종종 불완전합니다. 가능하면 프록시 라벨 대신 실제 라벨을 선택합니다. 즉, 실제 라벨이 없는 경우 가장 덜 나쁜 프록시 라벨 후보를 선택하여 프록시 라벨을 매우 신중하게 선택합니다.

오른쪽

평가자

#fundamentals

예시라벨을 제공하는 사람 'Annotator'는 평가자의 또 다른 이름입니다.

정류 선형 유닛 (ReLU)

#fundamentals

다음과 같은 동작이 있는 활성화 함수:

  • 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 ReLU 도표입니다.

두 줄의 데카르트식 도표 첫 번째 줄의 상수 y 값은 0이며, x축을 따라 -무한대,0에서 0,-0까지 실행됩니다.
          두 번째 줄은 0,0에서 시작합니다. 이 선은 +1의 기울기를 사용하므로 0,0에서 +무한대,+무한대까지 이어집니다.

ReLU는 매우 많이 사용되는 활성화 함수입니다. 단순한 동작에도 불구하고 ReLU는 여전히 신경망이 특성라벨 간의 비선형 관계를 학습하도록 합니다.

회귀 모델

#fundamentals

비공식적으로 수치 예측을 생성하는 모델입니다. 반면 분류 모델은 클래스 예측을 생성합니다. 예를 들어 다음은 모든 회귀 모델입니다.

  • 423,000유로와 같이 특정 주택의 가치를 예측하는 모델입니다.
  • 특정 나무의 예상 수명(예: 23.2년)을 예측하는 모델입니다.
  • 다음 6시간 동안 특정 도시에 내릴 비가 얼마나 올지 예측하는 모델입니다(예: 0.18인치).

일반적인 두 가지 회귀 모델 유형은 다음과 같습니다.

  • 선형 회귀 - 특성에 가장 적합한 라벨 값을 찾는 선을 찾습니다.
  • 로지스틱 회귀. 0.0~1.0 사이의 확률을 생성하여 시스템에서 일반적으로 클래스 예측에 매핑합니다.

숫자 예측을 출력하는 모든 모델이 회귀 모델이 아닐 수도 있습니다. 어떤 경우에는 숫자 예측이 숫자 클래스 이름을 갖는 분류 모델일 뿐입니다. 예를 들어 숫자 우편번호를 예측하는 모델은 회귀 모델이 아니라 분류 모델입니다.

정규화

#fundamentals

과적합을 줄이는 모든 메커니즘 많이 사용되는 정규화 유형은 다음과 같습니다.

정규화는 모델의 복잡도에 대한 페널티로 정의할 수도 있습니다.

정규화율

#fundamentals

학습 중 정규화의 상대적 중요도를 지정하는 숫자입니다. 정규화율을 높이면 과적합이 줄어들지만 모델의 예측 전력은 감소할 수 있습니다. 반대로 정규화율을 줄이거나 생략하면 과적합이 증가합니다.

ReLU

#fundamentals

정류 선형 유닛의 약어입니다.

검색 증강 세대

#fundamentals

대규모 언어 모델 (LLM) 애플리케이션에서 흔히 사용되는 소프트웨어 아키텍처 검색 기반 보강을 사용하는 일반적인 동기는 다음과 같습니다.

  • 모델에서 생성된 응답의 사실 정확도 향상
  • 모델이 학습하지 않은 지식에 대한 액세스 권한 부여
  • 모델이 사용하는 지식 변경
  • 모델에서 출처를 인용할 수 있도록 설정

예를 들어 화학 앱에서 PaLM API를 사용하여 사용자 쿼리와 관련된 요약을 생성한다고 가정해 보겠습니다. 앱의 백엔드가 쿼리를 수신하면 백엔드는 먼저 사용자의 쿼리와 관련된 데이터를 검색('검색')하고 관련 화학 데이터를 사용자의 쿼리에 추가하며 LLM에 추가된 데이터를 기반으로 요약을 생성하도록 지시합니다.

수신자 조작 특성 ROC 곡선

#fundamentals

이진 분류의 여러 분류 기준에 대한 참양성률거짓양성률의 그래프

ROC 곡선의 모양은 포지티브 클래스와 네거티브 클래스를 구분하는 이진 분류 모델의 기능을 나타냅니다. 예를 들어 이진 분류 모델이 모든 네거티브 클래스를 모든 포지티브 클래스와 완전히 분리한다고 가정해 보겠습니다.

오른쪽에 8개의 양수 예가, 왼쪽에 7개의 음수 예가 있는 숫자 줄

이전 모델의 ROC 곡선은 다음과 같습니다.

ROC 곡선입니다. x축은 거짓양성률이고 y축은 참양성률입니다. 곡선이 반전 L 모양입니다. 곡선은 (0.0,0.0)에서 시작해서 (0.0,1.0)까지 수직으로 진행됩니다. 그런 다음 곡선이 (0.0,1.0)에서 (1.0,1.0)로 이동합니다.

반면에 다음 이미지는 네거티브 클래스와 포지티브 클래스를 분리할 수 없는 모델의 원시 로지스틱 회귀 값을 그래프로 보여줍니다.

포지티브 예시와 제외 클래스가 완전히 혼합된 숫자 선입니다.

이 모델의 ROC 곡선은 다음과 같습니다.

(0.0,0.0)에서 (1.0,1.0)까지 직선인 ROC 곡선.

한편 실제 환경에서 대부분의 이진 분류 모델은 포지티브 클래스와 네거티브 클래스를 어느 정도 구분하지만 일반적으로 완벽하지는 않습니다. 따라서 일반적인 ROC 곡선은 두 극단 사이에 위치합니다.

ROC 곡선입니다. x축은 거짓양성률이고 y축은 참양성률입니다. ROC 곡선은 서쪽에서 북쪽으로의 나침반 지점을 통과하는 흔들리는 원호의 근사치입니다.

(0.0,1.0)에 가장 가까운 ROC 곡선의 점은 이론적으로 이상적인 분류 임계값을 나타냅니다. 하지만 이상적인 분류 임곗값을 선택하는 데 영향을 미치는 몇 가지 다른 실제 문제가 있습니다. 예를 들어 거짓음성은 거짓양성보다 훨씬 더 큰 고통을 유발할 수 있습니다.

AUC라는 숫자 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 '부여'하는 수학 함수입니다. 즉, 숫자 (2, 000,000, 음수)를 시그모이드에 전달할 수 있고 출력은 여전히 제한된 범위에 있게 됩니다. 시그모이드 활성화 함수의 플롯은 다음과 같습니다.

x값은 도메인 -무한대에서 +양성에 이르는 y차원 곡선이고 y값은 0에서 거의 1에 가까운 2차원 곡선 그래프 x가 0이면 y는 0.5입니다. 기울기가 항상 양수이며
 최고 기울기가 0, 0.5가 되고,x의 절댓값이 증가하면 기울기가 점차 감소합니다.

시그모이드 함수는 머신러닝에서 다음과 같이 여러 용도로 사용됩니다.

소프트맥스

#fundamentals

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

이미지... 확률
0.85
고양이 0.13
0.02

소프트맥스를 전체 소프트맥스라고도 합니다.

후보 샘플링과 대비되는 개념입니다.

희소 특성

#language
#fundamentals

값이 주로 0이거나 비어 있는 특성입니다. 예를 들어 값이 1개이고 값이 000만개인 특성은 희소 속성입니다. 반면 밀집 특성은 주로 0이거나 비어 있지 않은 값을 갖습니다.

머신러닝에서 희소 특성은 놀라울 정도로 많습니다. 범주형 특성은 일반적으로 희소 특성입니다. 예를 들어 하나의 숲에 있는 300개의 나무 종 중에서 단풍나무 하나만 식별해도 됩니다. 또는 동영상 라이브러리에 있는 수백만 개의 동영상 중에서 하나의 예는 '카사블랑카'를 식별할 수 있습니다.

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

희소 표현

#language
#fundamentals

희소 특성에 0이 아닌 요소의 위치만 저장합니다.

예를 들어 species이라는 범주형 특성이 특정 숲의 36가지 종을 식별한다고 가정해 보겠습니다. 또한 각 예시가 단일 종만 식별한다고 가정합니다.

각 예에서 원-핫 벡터를 사용하여 수종을 표현할 수 있습니다. 원-핫 벡터는 단일 1 (예시에서 특정 트리 종을 표현함)와 35개 0 (이 예에서 아닌 35개 종을 나타냄)를 포함합니다. 따라서 maple의 원-핫 표현은 다음과 같습니다.

위치 0~23은 값 0을, 위치 24는 값 1을, 위치 25~35는 값 0을 유지하는 벡터입니다.

또는 희소 표현 방식에서는 단순히 특정 종의 위치를 식별합니다. maple이 위치 24에 있다면 maple의 희소 표현은 다음과 같습니다.

24

희소 표현은 원-핫 표현보다 훨씬 간결합니다.

희소 벡터

#fundamentals

값이 대부분 0인 벡터입니다. 희소 특성희소성도 참고하세요.

제곱 손실

#fundamentals

L2 손실의 동의어입니다.

정적

#fundamentals

어떤 일이 지속적으로 이루어지지 않고 한 번 이루어집니다. 정적오프라인이라는 용어는 동의어입니다. 다음은 머신러닝에서 일반적으로 정적오프라인으로 사용됩니다.

  • 정적 모델 (또는 오프라인 모델)은 한 번 학습된 모델이 한동안 사용되는 모델입니다.
  • 정적 학습 (또는 오프라인 학습)은 정적 모델을 학습시키는 프로세스입니다.
  • 정적 추론 (또는 오프라인 추론)은 모델이 한 번에 일괄 예측을 생성하는 프로세스입니다.

동적과 대비되는 개념입니다.

정적 추론

#fundamentals

오프라인 추론의 동의어입니다.

정상성

#fundamentals

하나 이상의 측정기준(일반적으로 시간)에서 값이 변경되지 않는 특성입니다. 예를 들어 값이 2021년과 2023년에 동일하게 보이는 특성은 정상성을 나타냅니다.

하지만 현실에서 정체성을 보여주는 특징은 매우 드뭅니다. 안정성 (예: 해수면)과 동일하게 나타나는 특성도 시간이 지나면서 변화합니다.

비정규성과 대비되는 개념입니다.

확률적 경사하강법 (SGD)

#fundamentals

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

지도 머신러닝

#fundamentals

특성 및 해당 라벨모델 학습 지도 머신러닝은 몇 가지 질문과 관련 답변을 학습하여 과목을 학습하는 것과 비슷합니다. 질문과 답변의 매핑을 마스터한 후 학생은 동일한 주제에 관해 (새로운) 질문에 답변할 수 있습니다.

비지도 머신러닝과 비교해 보세요.

합성 특성

#fundamentals

입력 특성 중에는 없지만 하나 이상의 입력 특성을 통해 조합된 특성입니다. 합성 특성을 만드는 메서드에는 다음이 포함됩니다.

  • 연속 특성을 범위 빈으로 버케팅합니다.
  • 특성 교차 만들기
  • 하나의 특성 값에 다른 특성 값 또는 그 자체를 곱하거나 나눕니다. 예를 들어 ab이 입력 특성인 경우 다음은 합성 특성의 예입니다.
    • ab
    • a2
  • 특성 값에 초월 함수 적용하기 예를 들어 c가 입력 특성인 경우 다음은 합성 특성의 예입니다.
    • sin(c)
    • ln(c)

정규화 또는 확장만으로 생성된 특성은 합성 특성으로 간주되지 않습니다.

T

테스트 손실

#fundamentals

테스트 세트에 대한 모델의 손실을 나타내는 측정항목입니다. 모델을 빌드할 때는 일반적으로 테스트 손실을 최소화하려고 합니다. 테스트 손실이 작으면 학습 손실이 낮거나 유효성 검사 손실이 낮은 경우보다 품질 신호가 더 높기 때문입니다.

테스트 손실과 학습 손실 또는 검증 손실 사이의 큰 격차는 정규화율을 높여야 할 때가 있다는 것을 의미합니다.

학습

#fundamentals

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

학습 손실

#fundamentals

특정 학습 반복 중 모델의 손실을 나타내는 측정항목입니다. 예를 들어 손실 함수가 평균 제곱 오차라고 가정해 보겠습니다. 아마도 10번째 반복의 학습 손실 (평균 제곱 오차)은 2.2이고 100번째 반복의 학습 손실은 1.9일 것입니다.

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

  • 하향 경사는 모델이 개선되고 있음을 의미합니다.
  • 기울기가 상승하면 모델이 점점 나빠지고 있다는 의미입니다.
  • 기울기가 평평하면 모델이 수렴에 도달했음을 의미합니다.

예를 들어 다음은 다소 이상적인 손실 곡선을 보여줍니다.

  • 초기 반복 중 가파르게 기울어져 있으며, 이는 모델이 빠르게 개선되었음을 의미합니다.
  • 학습이 끝날 때까지 기울기가 점차 평평해지지만 아래쪽으로 기울어짐에 따라, 초기 반복 중에 비교적 느린 속도로 계속 모델을 개선할 수 있습니다.
  • 학습이 끝날 때까지 기울기가 완만하며 수렴임을 나타냅니다.

학습 손실과 반복을 비교한 도표 이 손실 곡선은
     가파른 하향 경사에서 시작합니다. 기울기가 0이 될 때까지 점차 기울기가 커집니다.

학습 손실도 중요하지만 일반화도 참고하세요.

학습-제공 편향

#fundamentals

학습 중 모델의 성능과 서빙 중 동일 모델의 성능 차이

학습 세트

#fundamentals

모델을 학습시키는 데 사용되는 데이터 세트의 하위 집합입니다.

일반적으로 데이터 세트의 예는 다음과 같은 세 가지 개별 하위 집합으로 구분됩니다.

데이터 세트의 각 예시는 이전 하위 집합 중 하나에만 속한 것이 좋습니다. 예를 들어 하나의 예시는 학습 세트와 검증 세트에 속해서는 안 됩니다.

참음성 (TN)

#fundamentals

모델에서 네거티브 클래스올바르게 예측하는 예입니다. 예를 들어 모델에서 특정 이메일 메시지가 스팸이 아닌 것으로 추론하고 해당 이메일 메시지가 스팸이 아닌 경우

참양성 (TP)

#fundamentals

모델에서 포지티브 클래스올바르게 예측하는 예입니다. 예를 들어 모델에서 특정 이메일 메시지가 스팸이라고 가정해 보겠습니다.

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 못했기 때문에 예측 기능이 부실한 모델을 생성합니다. 다음을 비롯한 여러 문제로 인해 과소적합이 발생할 수 있습니다.

라벨이 없는 예

#fundamentals

특성을 포함하지만 라벨은 포함하지 않는 예시 예를 들어 다음 표에는 주택 평가 모델의 라벨이 없는 예 3개가 나와 있습니다. 각 예시에는 특성이 3개 있지만 주택 값이 없습니다.

침실 수 욕실 수 주택 연식
3 2 15
2 1 72시간
4 2 34

지도 머신러닝에서 모델은 라벨이 있는 예를 학습하고 라벨이 없는 예를 기반으로 예측합니다.

반지도 학습과 비지도 학습에서는 학습 중에 라벨이 없는 예가 사용됩니다.

라벨이 없는 예와 라벨이 있는 예를 대조합니다.

비지도 머신러닝

#clustering
#fundamentals

일반적으로 라벨이 없는 데이터 세트에서 패턴을 찾도록 모델을 학습시킵니다.

비지도 머신러닝의 가장 일반적인 용도는 데이터를 비슷한 예시 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)에 대한 입력이 될 수 있습니다. 클러스터링은 유용한 라벨이 부족하거나 없는 경우에 도움이 될 수 있습니다. 예를 들어 악용 방지 및 사기와 같은 영역에서 클러스터는 사람이 데이터를 더 잘 이해하는 데 도움이 될 수 있습니다.

지도 머신러닝과 대비되는 개념입니다.

V

검증

#fundamentals

모델의 품질에 대한 초기 평가입니다. 검증은 검증 세트와 비교하여 모델 예측의 품질을 확인합니다.

검증 세트는 학습 세트와 다르므로 과적합을 방지하는 데 도움이 됩니다.

검증세트에 대해 모델을 평가하고 첫 번째 테스트 단계에서는 테스트 세트로 모델을 평가할 수 있습니다.

검증 손실

#fundamentals

학습의 특정 반복 중에 검증 세트에 대한 모델의 손실을 나타내는 측정항목입니다.

일반화 곡선도 참고하세요.

검증 세트

#fundamentals

학습된 모델에 대해 초기 평가를 수행하는 데이터 세트의 하위 집합입니다. 일반적으로 검증 세트에 대해 학습된 모델을 여러 번 평가한 후 테스트 세트를 기준으로 모델을 평가합니다.

일반적으로 데이터 세트의 예를 다음과 같이 서로 다른 세 가지 하위 집합으로 분리합니다.

데이터 세트의 각 예시는 이전 하위 집합 중 하나에만 속한 것이 좋습니다. 예를 들어 하나의 예시는 학습 세트와 검증 세트에 속해서는 안 됩니다.

W

weight

#fundamentals

모델이 다른 값을 곱하는 값입니다. 학습은 모델의 이상적인 가중치를 결정하는 프로세스이고, 추론은 이러한 학습된 가중치를 사용하여 예측하는 프로세스입니다.

가중치가 적용된 합계

#fundamentals

모든 관련 입력 값의 합에 해당 가중치를 곱한 값입니다. 예를 들어 관련 입력이 다음과 같이 구성되었다고 가정해 보겠습니다.

입력 값 입력 가중치
2 -1.3명
-1 0.6
3 0.4

따라서 가중치가 적용된 합계는 다음과 같습니다.

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

가중 합계는 활성화 함수의 입력 인수입니다.

Z

Z 점수 정규화

#fundamentals

원시 특성 값을 해당 특성 평균과의 표준 편차 수를 나타내는 부동 소수점 값으로 바꾸는 확장 기법입니다. 예를 들어, 평균이 800이고 표준 편차가 100인 특성을 가정해 보겠습니다. 다음 표는 Z 점수 정규화가 원시 값을 Z 점수에 매핑하는 방법을 보여줍니다.

원본 값 Z-점수
800 0
950 1.5명 이상
575 2,250원

그러면 머신러닝 모델이 원시 값이 아닌 해당 특성의 Z-점수를 기반으로 학습합니다.