적절한 머신러닝 알고리즘을 선택하는 방법
다양한 머신러닝 알고리즘을 소개하고, 적절한 상황에 맞게 사용하는 팁을 제안합니다.
이번 글에서는 다양한 머신러닝 알고리즘에 대하여 소개합니다. 그리고, 다양한 상황(데이터의 특성, 가용 시간, 요구되는 속도와 정확도 등)에 따라 적절한 머신러닝 알고리즘을 선택하는 가이드를 제안합니다. 선형 회귀, 로지스틱 회귀, SVM, 의사결정나무, 앙상블(랜덤포레스트, 그래디언트부스팅), DNN, K-평균, 가우시안 혼합 모델 클러스터링, 계층적 군집화, PCA, SVD, LDA 등 많은 머신러닝 알고리즘에서 고민의 늪에 빠진 적이 있는 분, 머신러닝을 처음 공부하시는 분 모두에게 추천합니다. 글의 마지막에는 머신러닝 알고리즘을 간편하게 선택할 수 있게 도와주는 머신러닝 알고리즘 치트 시트도 함께 소개하겠습니다.
머신러닝 알고리즘의 분류
머신러닝 알고리즘은 크게 지도 학습(Supervised Learning), 비지도 학습(Unsupervised Learning), 준지도 학습(Semi-supervised Learning), 그리고 강화 학습(Reinforcement Learning)으로 분류됩니다.
1. 지도 학습(Supervised learning)
입력데이터와 출력 레이블로 구성된 데이터셋을 사용합니다. 이러한 데이터셋을 labeled data 라고 합니다. 알고리즘은 두 변수 사이의 관계를 학습하고 새로운 입력변수에 대한 예측 결과를 만들어 냅니다. 예측변수의 유형에 따라 분류, 회귀, 예
- 분류 (Classification) : 범주형(categorical) 변수를 예측합니다. 분류하고자 하는 클래스의 수에 따라서 이진 분류(binary classification), 다중 클래스 분류(multi-class classification)가 있습니다.
- 회귀 (Regression) : 연속적인 값을 예측합니다. 데이터 포인트 사이의 관계를 찾아내고 각 변수가 다른 변수에 미치는 영향을 모델링 합니다. 독립변수와 종속 변수 사이의 모델링 방식에 따라 선형 회귀(Linear Regression), 다항 회귀(Polynomial Regression) 등이 있습니다.
- 예측 (Forecasting) : 과거 와 현재 데이터를 기반으로 미래의 사건을 예측하는 방법입니다. 기술적으로는 회귀나 분류문제에 속할 수 있습니다. 주로 동향(trends) 분석하기 위해 많이 사용됩니다. 시계열 예측(Time Series Forecasting)을 통한 주식 가격 예측, 기상 조건 예측이 있고, 사용자의 과거 행동과 유사한 사용자의 데이터를 분석하여 행동을 예측하는 추천 시스템(Recommendation Systems) 등이 있습니다.
2. 비지도 학습 (Unsupervised Learning)
비지도 학습은 레이블이 없는 데이터로부터 데이터의 패턴, 구조, 관계를 학습합니다. 군집화(Clustering), 차원 축소(Dimension Reduction) 등이 있습니다.
- 군집화(Clustering): 비슷한 특성을 가진 데이터끼리 그룹으로 묶습니다. 데이터의 특징적인 패턴을 찾기 위해 개별 그룹으로 군집화하고 분석을 진행합니다. K-평균(K-Means) 클러스터링, 계층적 클러스터링(Hierarchical Clustering) 등이 있습니다.
- 차원 축소(Dimension Reduction) : 변수의 개수를 줄이는 방법입니다. 고차원의 데이터에서 특성을 보존하면서 데이터의 차원을 줄이는 과정입니다. 차원을 줄이고 중요한 특성만 선택하거나 추출하여 데이터의 잠재된 관계를 더 잘 도출할 수 있습니다.
3. 준지도 학습 (Semi-supervised Learning)
지도학습과 비지도 학습의 중간 형태입니다. 일부 데이터만 레이블이 있는 상태에서 학습하는 기법으로 레이블이 없는 데이터를 레이블링 하는 것에 많은 비용이 필요한 상황에서 준지도 학습은 유용한 방법입니다.
준지도 학습은 레이블된 데이터와 레이블되지 않은 데이터가 유사한 패턴과 구조를 갖는다는 상황을 가정합니다. 머신러닝 모델은 레이블된 데이터를 통해 초기 학습을 진행하고, 레이블 없는 데이터에 대한 예측을 개선하며 추가 학습을 진행하게 됩니다.
4. 강화 학습 (Reinforcement Learning)
강화 학습은 에이전트가 환경과 상호작용하며 목표 달성을 위한 최적의 행동이나 정책을 학습하는 과정입니다. 행동의 결과로 받는 보상을 최대화하는 방향으로 행동하고, 정책을 개선해 나갑니다. 명확한 정답이 없거나 탐색과 활용 사이에서 균형을 필요하는 문제에 적합합니다.
각 머신러닝 알고리즘의 특징과 활용 상황
1. 선형 회귀(Linear regression)와 로지스틱 회귀(Logistic regression)
두 회귀 알고리즘은 예측하고자 하는 값의 특성에 따라 구분하여 사용할 수 있습니다.
선형 회귀는 연속적인 값을 예측하고자 할 때 사용할 수 있습니다. 하나 이상의 독립변수와 종속변수 사이의 선형 관계를 모델링 합니다. 변수 사이의 관계를 이해하고 특정한 변수의 영향력을 분석할 때 유용합니다.
로지스틱 회귀는 주로 분류 문제에서 활용합니다. 선형 회귀에 로지스틱 함수를 붙여 0과 1사이의 확률을 구합니다. 이 확률은 특정 클래스에 속할 확률이 됩니다. 소프트맥스 함수를 사용하면 다중 분류 문제에 적용할 수 있습니다.
2. 선형(Linear) SVM 커널(Kernel) SVM
데이터의 선형성과 선형 분리 가능성, 모델의 해석 가능성 등에 따라 선형 SVM 과 커널 SVM을 선택합니다.
선형 SVM은 선형 분리 가능한 데이터에 적합합니다. 따라서 비교적 해석이 쉽고 빠르게 학습할 수 있습니다. 반면, 커널 SVM은 분리 가능한 비선형 함수를 고차원의 분리 가능한 선형 함수로 매핑합니다. 비선형 데이터에 적합합니다.
3. 의사결정 나무와 앙상블 트리(ensemble tree)
의사결정나무, 랜덤 포레스트(random forest), 그래디언트 부스팅(gradient boosting) 기법들은 데이터의 특성과 요구되는 정확도, 해석 가능성 등을 고려하여 선택해야 합니다.
의사결정나무는 직관적이고 해석이 용이합니다. 비선형 데이터 학습에도 효과적이며 데이터 피쳐의 스케일링이 필요 없습니다. 반면 트리가 깊어짐에 따라 과적합 위험이 크게 증가합니다. 따라서 해석 가능한 모델일 필요한 경우, 피처의 중요도를 이해하고자 할 때, 간단한 분류나 회귀 문제에 적용하면 좋습니다.
랜덤 포레스트(random forest)는 여러 개의 의사결정나무를 앙상블 합니다. 다수의 트리를 사용하여 기존 트리의 단점인 과적합을 방지합니다. 고차원의 데이터에서도 잘 작동하며, 의사결정나무와 동일하게 피처의 중요도를 파악하기 용이하고, 스케일에 영향 받지 않습니다. 높은 정확도가 필요한 경우, 고차원의 데이터를 사용하면서 피처의 중요도를 해석하고자 할 때 적합합니다.
그래디언트 부스팅(gradient boosting) 새로운 트리를 추가하여 이전 트리의 오차를 학습하는 과정을 통해 성능을 향상시킵니다. 마찬가지로 높은 정확도를 가지며, 학습률, 트리의 수, 최대 깊이 등 다양한 하이퍼 파라미터 튜닝을 통해 모델을 개선할 수 있습니다.
4. 신경망과 딥러닝
입력층, 은닉층, 출력층으로 구성된 신경망은 출력층에 따라 다양한 문제에 적용할 수 있습니다. 모델의 복잡성 수용력(capacity)에 따라 고차원의 데이터를 매우 잘 처리합니다. 딥러닝은 더 많은 은닉층을 갖는 신경망입니다. 전이 학습(Transfer Learning)을 통해 사전 학습된 모델을 활용하여 새로운 문제를 해결하기에 용이하고, 순환 신경망(RNN), 컨볼루션 신경망(CNN) 등 특정 데이터 유형에 특화된 구조를 사용합니다. 대규모 데이터셋과 다양한 형태의 데이터를 처리합니다. 딥러닝은 데이터셋의 특징, 문제의 복잡성, 사용 가능한 리소스 상황 등을 고려하여 결정해야합니다.
5. K-평균(K-means), K-모드(K-modes), 가우시안 혼합 모델(GMM; Gaussian Mixture Model) 클러스터링
K-평균은 중심을 기준으로 군집에 할당하는 거리 기반 클러스터링 알고리즘입니다. 표본은 하나의 군집에만 할당되는데 이를 ‘하드 할당(hard assignment)’이라고 합니다. 따라서 클러스터의 수(K)가 사전에 지정된 경우, 클러스터의 모양이 원형일 경우 잘 작동합니다.
K-모드는 범주형 데이터 군집화에 적합합니다. 카테고리별 최빈값을 중심으로 해밍 거리(Hamming distance)를 사용하여 두 범주형 데이터의 차이를 계산합니다.
가우시안 혼합 모델(GMM)는 이름에서 알 수 있듯이 데이터 포인트가 여러 가우시안 분포를 따른다고 가정합니다. 각 데이터 포인트가 어떤 가우시안 분포를 따르는지 연속확률분포를 추정합니다. 각 클러스터를 가우시안 분포로 표현하고, 데이터가 여러 개의 클러스터에 속할 수 있습니다. 적절한 클러스터 개수를 선택하기 위해 BIC(Bayesian Information Criterion)나 AIC(Akaike Information Criterion)을 사용합니다. 데이터가 연속형 변수일 뿐만 아니라 정규 분포를 따르고 여러 클러스터에 속할 확률이 있는 경우 적합합니다.
6. DBSCAN(Density-Based Spatial Clustering of Applications with Noise)
DBSCAN은 밀도 확산(density diffusion)을 사용하여 데이터를 군집화합니다. 노이즈는 무시하며, 다양한 모양의 클러스터를 형성 가능합니다. 따라서 노이즈가 있는 데이터, 클러스터의 모양이 다양한 데이터에 적합합니다. 지리적 데이터에 공간 데이터에도 효과적입니다.
7. 계층적 군집화(Hierarchical clustering)
데이터를 계층적인 구조로 클러스터를 형성하는 알고리즘이 계층적 군집화입니다. 덴드로그램(dendrogram)을 통해 시각화합니다. 클러스터 간의 거리 측정 방법을 조정하는 것이 중요한데, 거리 측정 방법에는 단일 연결(Single Linkage), 완전 연결(Complete Linkage), 평균 연결(Average Linkage) 등이 있습니다. 클러스터의 계층적 구조가 필요한 경우, 클러스터 간 관계를 파악하고자 할 때, 클러스트의 개수가 정해지지 않았고, 크기나 모양이 다양한 경우, 대규모 데이터셋을 클러스터링할 경우 효과적으로 사용할 수 있습니다. 조직구조나 생물학적 데이터와 같이 계층구조를 갖는 데이터에 사용되곤 합니다
8. PCA, SVD, LDA
많은 수의 특징 중 일부 특징은 연관이 없거나, 고유한 차원수가 특징 수 보다 적을 수 있습니다. 따라서, 머신러닝 알고리즘에 데이터의 특징을 모두 사용하는 것은 대체로 효과적이지 못합니다. 아래 3가지 차원축소와 관련한 방법을 소개합니다.
PCA(Principal Component Analysis)는 데이터를 저차원 공간으로 매칭합니다. 데이터의 분산을 최대한 보존하는 하위 공간을 찾습니다. 고차원의 데이터를 시각화하거나, 데이터를 압축합니다. 주성분만 사용함으로써 노이즈를 제거하는 효과도 있습니다.
SVD (Singular Value Decomposition)는 PCA를 수학적 기반으로 사용하여 주어진 행렬을 3개의 행렬로 분해합니다. 이미지 처리 또는 자연어 처리에서 텍스트의 의미를 추출하는 데 활용됩니다.
LDA (Linear Discriminant Analysis)는 토픽 모델링 방법으로 잠재 디리클레 할당이라고 합니다. 토픽들이 혼합되어 있는 문서에서 확률분포에 기반하여 단어들이 생성된다고 가정합니다. 검색 엔진, 고객 민원 시스템 등 문서를 주제를 파악하는 곳이 사용합니다.
마무리하며, 머신러닝 치트 시트
지금까지 다양한 머신러닝 알고리즘의 종류와 각각의 특징 및 활용 상황에 대해 다루어 보았습니다. 문제와 상황에 맞게 적절한 알고리즘을 탐색하는 것에 도움이 되셨길 바랍니다. 하지만, 가장 확실한 방법은 모든 알고리즘을 시도해 보는 것입니다. 그렇게 하기에는 우리의 시간과 자원은 한정되어 있어 쉽지 않습니다. 마지막으로 이러한 고민을 줄여줄 ‘머신러닝 알고리즘 치트 시트’를 공유하고 마치겠습니다.
함께 읽으면 더 유익한 글
reference
