[AI] 머신러닝 지도학습(Supervised Learning) , 비지도학습(Unsupervised Learning) 차이점과 장단점

머신러닝 지도 학습과 비지도 학습

머신러닝에서는 크게 지도 학습(Supervised Learning), 비지도 학습(Unsupervised Learning), 강화 학습(Reinforcement Learning)으로 나눌 수 있습니다. 이 중 지도 학습과 비지도 학습의 유형이 어떤 차이가 있고 각각의 장단점을 정리하였습니다.

 

 

1. 지도 학습 (Supervised Learning)

지도 학습은 이름에서 알 수 있듯이 컴퓨터에게 정답(Label)이 무엇인지 알려주면서 컴퓨터를 학습을 하는 방법입니다. 

예를 들어 3x5=15, 6x4=24 등을 학습시킨 후 9x3=?? 등의 주어진 문제를 해결하는 학습 방법입니다.

여기서 3x5는 (data)이고 정답인 15는 (label)이라고 표현합니다. 그렇기 때문에 지도 학습에는 정확한 input과 output이 존재하며, 이러한 지도 학습에는 분류(Classification)와 회기(Regresssion)로 나누어집니다.

 

 

 

- 분류 (Classification)

먼저 분류(Classification)는 주어진 데이터를 정해진 카테고리에 따라 분류하는 문제를 말합니다.

최근에 많이 사용되는 이미지 분류도 Classification 문제 중에 하나입니다.

darknet YOLO의 network architecture는 GoodLeNet for image classification를 이용하여 이미지를 분류하고 있습니다.

 

예를 들어 스팸메일을 예측한다고 가정했을 경우 해당 메일이 스팸인가? 스팸메일 / 일반 메일로 라벨링 될 수 있을 것입니다. 이처럼 예, 아니오로 구분될 수 있는 분류를 Binary Classification이라고 부릅니다.

 

하지만 문제는 예, 아니오로 구분되지 않을 수 있습니다. 예를 들어 이 동물이 무엇일까?라고 했을 때 강아지, 고양이, 나무늘보 등으로 예측하는 상황이 있습니다. 이러한 분류를 Multi-label Classification이라고 합니다.

 

 

- 회귀 (Regression)

Regression은 어떤 데이터들의 특징(Feature)을 기준으로 연속된 값을 예측하는 문제입니다. (연속된 값이란 그래프를 생각하면 됩니다.)

주로 어떤 패턴이나 트렌드, 경향을 예측할 때 사용되며, 일반적으로 집의 크기에 대해 매매 가격을 예로 듭니다.

Q. 강남에 30평대 아파트면 집값이 어느 정도야?

A. 강남에 30평대 아파트면 OO억정도 입니다.

 

지도 학습의 가장 큰 문제 또는 장벽은 정답 집합을 확보하는 것입니다. 따라서 비지도 학습을 통해 지도 학습의 단점을 보완하기 위해 비지도 학습에 대한 중요성과 관심이 높아지고 있습니다.

 

장점

사용자가 직접 목표 값에 개입하므로 정확도가 높다는 장점이 있습니다.

 

단점

직접 목표값에 개입하기 위해서 학습 데이터마다 정답(Label)을 구성해야 하므로 시간이 오래걸린다는 단점이 있습니다.

 

2. 비지도 학습 (Unsupervised Learning)

지도 학습과는 달리 정답을 알려주지 않고 비슷한 데이터를 군집화 하여 미래를 예측하는 학습 방법입니다.

라벨링이 되어있지 않은 데이터로부터 패턴이나 형태를 찾아 야하기 때문에 어렵습니다.

실제로 지도 학습에서 적절한 특징(Feature)을 찾아내기 위한 전처리 방법으로 비지도 학습을 사용하기도 합니다.

 

 

비지도 학습은 대표적으로 클러스터링(Clustering)이 있습니다. 일반적으로 데이터는 Label이나 Category가 무엇인지 알 수 없는 경우가 많기 때문에 이러한 방법이 중요하다고 볼 수 있습니다. 이외에도 차원 축소 (Dimentionality Reduction), Hidden Markov Model이 있습니다.

 

예를 들어 강아지, 고양이, 기린, 원숭이 사진을 비지도 학습으로 분류한다고 가정해보겠습니다.

각각의 동물들이 어떤 동물인지 정답을 알려주지 않았기 때문에 이 동물을 '무엇' 이라고는 정의할 수는 없지만 동물의 특징(Feature) 별로 분류를 하게 됩니다.

 

다리가 4개인 강아지, 고양이, 기린은 한 분류가 될 수 있고

또는 목이 긴 기린이 한 분류,

다리가 2개인 원숭이가 한 분류로 나뉘게 될 것입니다.

 

따라서 비지도 학습은 예측 등이 아닌 데이터가 어떻게 구성되어있는지 밝히는데 주로 사용하고, 일종의 그룹핑 알고리즘으로 볼 수 있습니다.

 

장점

사용자가 직접 목표 값에 개입할 필요가 없어 속도가 매우 빠릅니다.

 

단점

정답이 정해져있지 않으므로 분류 기준과 군집을 예측할 수 없으며, 모델 성능을 평가하기 어렵다는 단점이 있습니다.

 

지도 학습, 비지도 학습의 대표적인 알고리즘

지도 학습, 비지도 학습의 대표적인 알고리즘 목록입니다.

모든 알고리즘을 이해하기는 힘들지만 각각의 키워드를 이용하여 특징들을 살펴볼 수 있습니다.

 

지도학습(Supervised Learning),	Classification	kNN
		Naive Bayes
		Support Vector
		Decision Tree
	Regression	Linear Regression
		Locally Weighted Linear
		Ridge
		Lasso
비지도학습(Unsupervised Learning),		Clustering
		K Means
		Density Estimation
		Expectation Maximization
		Parzen Window
		DBSCAN

 

강화 학습에 대해서는 아래 글로 따로 작성했습니다.

https://wendys.tistory.com/170

[AI] 머신러닝의 꽃 강화학습(reinforcement learning) a.k.a RL