반응형
학습 유형에 따른 데이터 분석 모델
(아래 포스팅에서 학습 유형에 대한 좀 더 많은 정보 확인이 가능합니다.)
2022.05.31 - [Programming/Machine Learning (Python)] - 인공지능 머신러닝의 기초, 개념, 종류
지도 학습(Supervised Learning)
- 정답이 있는 데이터를 활용해 데이터를 학습시키는 방법
- 입력값이 주어질 때 정답이 무엇인지 알려주면서 컴퓨터를 학습시키는 방법
- 대표적으로 분류(Classification)와 회귀(Regression)으로 구분
- 분류 : 주어진 데이터를 여러 가지 중 하나로 분류하는 것
- 이진분류 : 두 가지중 하나로 분류
- 다중 분류 : 여러 가지 중 하나로 분류
- 예) 의사결정트리, 랜덤 포레스트, 인공신경망, SVM, 로지스틱 회귀분석
- 회귀 : 주어진 데이터의 특징을 기반으로 새로운 데이터 값을 예측하는 것
- 예) 의사결정트리, 선형회귀분석, 다중회귀분석
비지도 학습(UnSupervised Learning)
- 정답 없는 데이터를 컴퓨터 스스로 학습하여 숨겨진 의미, 패턴을 찾아내고 구조화하는 방법
- 데이터가 어떤 특성의 그룹으로 구성되어 있는지 확인하는데 사용
- 예) 군집분석, 연광성분석, 인공신경망, 오토인코더 등
준지도 학습(Semi-supervised Learning)
- 정답이 있는 데이터와 정답이 없는 데이터를 동시에 학습에 사용하는 기법
- 예) 셀프 트레이닝, GAN
- 셀프 트레이닝 : 정답이 있는 데이터로 모델을 학습한 뒤 정답이 없는 데이터를 예측하여 이 중 가장 확률값이 높은 데이터들만 정답 데이터로 다시 가져가는 방식을 반복하는 것으로 높은 확률값이 나오는 데에 가중치를 주는 간단한 방법
- GAN(생성적 적대 신경망) : 생성모델과 판별모델이 존재하여 생성모델에서 데이터 분포 법칙에 따라 데이터를 생성하면 판별 모델에서는 이를 판별하는 방식으로 학습 진행
강화 학습(Reinforcement Learning)
- 주어진 환경에서 보상을 최대화하도록 에어전트를 학습하는 기법
- 에어전트가 행동을 결정하고 환경을 통해 보상이 있으면 이전의 입력값과 행동들을 긍정적으로 학습
- 예) Q-Learning, 정책경사(PG, Policy Gradient)
데이터 분석 알고리즘과 분야
- 데이터 분석 알고리즘들이 활용되고 있는 대표 분야
| 알고리즘 | 주 활동 분야 |
| 업리프트 모델링 | 단계적 추정, 예측 분석 |
| 생존분석 | 의료 통계, 설비 분야 사건 예측 |
| 회귀분석 | 예측, 추정 분석 |
| 시각화 | 원인과 관계 분석 |
| 기초통계 | 기초 통계현황 파악 |
| 부스팅, 배깅 | 분류 분석 |
| 시계열분석 | 시간상의 예측(이자율) |
| 요인분석 | 차원축소 |
| 텍스트마이닝 | 감정 분석 |
| 의사결정 나무, 랜덤포레스트 | 분류 |
| 신경 회로망 | 에측 분석 |
| 군집분석 | 독립변수들만의 분류, 그룹화 |
| 추천-협업 필터링 | 아이템과 이용자 간 상호 분석 통한 추천 |
| 앙상블 기법 | 추정, 예측, 규범 등의 결합 분석 |
| 소셜네트워크 분석 | 관계망 분석 |
| 서포트벡터머신 | 분류 분석 |
| 주성분분석 | 원인분석, 차원축소 |
- 분석 기법을 선택하는 기준은 목적과 해석 가능 여부에 따라 달라짐
- 업리프트 모델링
- 추정 모델을 단계별로 적용하는 기법
- A/B테스트와 같이 환경이나 조건을 달리한 후에 적당한 그룹을 선택하여 관리 등 다양한 분야에 사용
- 마케팅 캠페인에 많이 사용
- 회귀분석
- 예측 또는 분류에 사용하는 대중적인 알고리즘
- 특히 로지스틱 회귀분석은 이진분류에 자주 활용
- 시계열 불량 감지
- 이자율이나 주식 예측 등에 자주 사용
- 이상치 감지 기법
- 사기 탐지 등에 사용
참고
반응형