인공지능에서의 분류 (3)

대표적인 분류 알고리즘

로지스틱 회귀분석(Logisitc Regression)

 이름과 달리 로지스틱 회귀는 실제로 분류 알고리즘입니다. 결과가 두 가지 가능한 범주(예: '예' 또는 '아니오') 중 하나가 될 수 있는 이진 분류 문제에 유용합니다.

 은행이 대출 신청을 승인할지 여부를 결정하는 것을 고려해 보면, 로지스틱 회귀 분석을 사용하여 은행은 신용 이력, 연간 소득 및 대출 금액과 같은 특성에 따라 '대출 불이행 의지'와 '대출 불이행 의지'의 두 그룹으로 분류할 수 있습니다.

 

의사결정 트리(Dicision Trees)

 의사결정 트리는 나무와 같은 의사결정 모델을 사용하는 직관적이고 이해하기 쉬운 분류 알고리즘입니다. 각 '가지'는 선택 또는 조건을 나타내고, 각 '잎'은 결과 또는 클래스를 나타냅니다.

 

 예를 들어, 의사결정 나무는 레스토랑이 날씨 상황에 따라 실내외 식사를 제공할지를 결정하는 데 도움을 줄 수 있습니다. 나뭇가지에는 '비가 오나요?' 또는 '온도가 20도 이상인가요?'와 같은 조건이 포함될 것입니다. 나뭇잎은 '실내 식사' 또는 '실외 식사'와 같은 최종 결정 요소가 될 것입니다.

 

서포트 벡터 머신(Support Vector Machines: SVM)

 서포트 벡터 머신은 이진 및 다중 클래스 분류 문제를 처리할 수 있는 강력한 알고리즘입니다. 고차원 데이터를 처리할 때 특히 효율적이며, 간단히 말하면 많은 기능을 가진 데이터를 처리할 때 효율적입니다.

 예를 들어, SVM은 텍스트 분류의 한 형태로 감정 분석에 자주 사용되며, 여기서 SVM은 고객 리뷰를 '긍정적', '부정적' 또는 '중립적'으로 분류하는 데 도움이 됩니다. 감정에 영향을 미칠 수 있는 단어와 구의 범위가 넓기 때문에 수백 또는 수천 개의 차원을 처리해야 합니다.

 

랜덤 포레스트(Random Forests)

 여러분이 휴가를 계획하고 있지만 완벽한 여행지를 결정할 수 없다고 가정해보세요. 여러분은 여러 친구들에게 의견을 물어봅니다. 한 친구는 역사에 대한 여러분의 사랑을 바탕으로 장소를 추천하고, 다른 친구는 여러분의 화창한 해변에 대한 선호를 고려한 장소를 제안하고, 또 다른 친구는 여러분의 식사를 염두에 두고 있습니다.

 기계 학습의 랜덤 포레스트도 비슷하게 작동합니다. 그것들은 당신의 친구 그룹처럼 의사결정 나무의 앙상블이며, 각각 당신의 선호도 또는 추천을 위한 '특징'(역사, 해변, 요리)을 고려합니다.

 랜덤 포레스트의 각 의사결정 트리(친구)는 클래스 출력(권장 대상)을 제공하고, 최종 출력은 이러한 개별 출력의 대부분(대부분의 친구가 제안하는 곳)을 기반으로 결정됩니다.

 이러한 방식으로 랜덤 포레스트는 여러 '약한' 모델(개인 친구의 추천)의 예측을 결합하여 보다 정확하고 '강한' 모델(당신에게 가장 적합한 여행지)을 만듭니다.

 

뉴럴 네트워크(Neural Networks)

 뉴럴 네트워크는 인간 뇌의 구조에서 영감을 받은 진보된 알고리즘입니다. 그것들은 매우 범용성이 높고 많은 양의 데이터에서 복잡한 패턴을 배울 수 있어 딥 러닝에서 특히 유용합니다.

 실제적인 예로는 이미지 인식이 있습니다. 신경망은 훈련 이미지에서 학습된 특징을 기반으로 사진이 고양이인지 개인지 식별하는 것과 같은 이미지를 분류합니다.