핸즈온 머신러닝 정리 - 1장

머신러닝 책 1권, 딥러닝 책 1권의 코드를 전체 필사한 뒤 핸즈온 머신러닝을 펼쳐보니 겹치는 내용이 상당히 많다.

그래서 이번에는 기본 개념에 대해 정리할 겸 중요 내용만 정리하여 블로그에 포스팅한다.

앞으로도 개념 정리나 코드가 없는 수학적인 내용등의 책은 블로그를 통해 정리할 예정이다.

한눈에 보는 머신러닝

지도 학습

• k-최근접 이웃
• 선형 회귀
• 로지스틱 회귀
• 서포트 벡터 머신
• 결정 트리와 랜덤 포레스트
• 신경망

비지도 학습

• 군집
  • k-평균
  • 계층 군집 분석
  • 기댓값 최대화
• 시각화와 차원 축소
  • 주성분 분석
  • 커널
  • 지역적 선형 임베딩
  • t-SNE
• 연관 규칙 학습
  • 어프라이어리
  • 이클렛

준지도 학습

지도 학습과 비지도 학습의 조합으로 이루어져 있다. 심층 신뢰 신경망(DBN)은 여러 겹으로 쌓은 제한된 볼츠만 머신이라 불리는 비지도 학습에 기초한다.

강화 학습

학습하는 시스템을 에이전트라고 부르며 환경을 관찰해서 행동을 실행하고 그 결과로 보상을 받습니다. 시간이 지나면서 가장 큰 보상을 얻기 위해 정책이라고 부르는 최상의 전략을 스스로 학습합니다.

배치 학습

배치 학습에서는 시스템이 점진적으로 학습할 수 없습니다. 가용한 데이터를 모두 사용해 훈련시켜야 합니다. 먼저 시스템을 훈련시키고 그런 다음 제품 시스템에 적용하면 더 이상의 학습없이 실행됩니다. 즉, 학습한 것을 단지 적용만 합니다. 이를 오프라인 학습이라고 합니다.

온라인 학습(=점진적 학습)

온라인 학습에서는 데이터를 순차적으로 한 개씩 또는 미니배치라 부르는 작은 묶음 단위로 주입하여 시스템을 훈련시킵니다. 온라인 학습은 연속적으로 데이터를 받고 (예를 들면 주식가격) 빠른 변화에 스스로 적응해야 하는 시스템에 적합합니다.

사례 기반 학습

사례 기반 학습에서는 시스템이 사례를 기억함으로써 학습합니다(대표적으로 스팸메일). 그리고 유사도 측정을 사용해 새로운 데이터에 일반화합니다.

모델 기반 학습

모델 기반 학습에서는 샘플들의 모델을 만들어 예측에 사용합니다.

머신러닝의 주요 도전 과제

1. 나쁜 데이터의 사례
   • 충분하지 않은 양의 훈련 데이터
   • 대표성 없는 훈련 데이터
     • 샘플이 작으면 샘플링 잡음이 생기고, 매우 큰 샘플도 표본 추출 방법이 잘못되면 샘플링 편향이 생깁니다.
   • 낮은 품질의 데이터
     • 에러, 이상치, 잡음으로 가득하면 패턴 찾기가 어려워 잘 작동하지 않는다.
   • 관련 없는 특성
     • 성공적인 머신러닝 프로젝트의 핵심 요소는 훈련에 사용할 좋은 특성들을 찾는 것입니다.
     • 특성 선택 : 가지고 있는 특성 중에서 훈련에 가장 유용한 특성을 선택합니다.
     • 특성 추출 : 특성을 결합해 더 유용한 특성을 만듭니다.
2. 나쁜 알고리즘 사례
   • 훈련 데이터 과대적합
     • 파라미터 수가 적은 모델을 선택하거나, 훈련 데이터에 있는 특성 수를 줄이거나, 모델에 제약을 가하여 단순화시킵니다.
     • 훈련 데이터를 더 많이 모읍니다.
     • 훈련 데이터의 잡음을 줄입니다(예를 들면 오류 데이터 수정과 이상치 제거).
   • 훈련 데이터 과소적합
     • 모델 파라미터가 더 많은 강력한 모델을 선택합니다.
     • 학습 알고리즘에 더 좋은 특성을 제공합니다(특성 공학).
     • 모델의 제약을 줄입니다(예를 들면 규제 하이퍼파라미터를 감소시킵니다).

테스트와 검증

새로운 샘플에 대한 오류 비율을 일반화 오차 (또는 외부 샘플 오차)라고 하며, 테스트 세트에서 모델을 평가함으로써 이 오차에 대한 추정값을 얻습니다. 이 값은 이전에 본 적이 없는 새로운 샘플에 모델이 얼마나 잘 작동할지 알려줍니다. 훈련 데이터에서 검증 세트로 너무 많은 양의 데이터를 뺏기지 않기 위해 일반적으로 교차 검증 기법을 사용합니다.

TIP : 보통 데이터의 80%를 훈련에 사용하고 20%는 테스트용으로 떼어놓습니다.

연습문제

1. 머신러닝을 어떻게 정의할 수 있나요?

   머신러닝은 데이터로부터 학습할 수 있는 시스템을 만드는 것입니다. 학습이란 어떤 작업에서 주어진 성능 지표가 더 나아지는 것을 의미합니다.

2. 머신러닝이 도움을 줄 수 있는 문제 유형 네 가지를 말해보세요.

   명확한 해결책이 없는 복잡한 문제, 수작업으로 만든 긴 규칙 리스트를 대체하는 경우, 변화하는 환경에 적응하는 시스템을 만드는 경우, 사람에게 통찰을 제공해야 하는 경우에 머신러닝이 도움을 줄 수 있습니다.

3. 레이블된 훈련 세트란 무엇인가요?

   레이블된 훈련 세트는 각 샘플에 대해 원하는 정답을 담고 있는 훈련 세트입니다.

4. 가장 널리 사용되는 지도 학습 작업 두 가지는 무엇인가요?

   가장 일반적인 두 가지 지도 학습 문제는 회귀와 분류입니다.

5. 보편적인 비지도 학습 작업 네 가지는 무엇인가요?

   보편적인 비지도 학습 문제는 군집, 시각화, 차원 축소, 연관 규칙 학습입니다.

6. 사전 정보가 없는 여러 지형에서 로봇을 걸어가게 하려면 어떤 종류의 머신러닝 알고리즘을 사용할 수 있나요?

   알려지지 않은 지형을 탐험하는 로봇을 학습시키는 가장 좋은 방법은 강화 학습입니다. 이는 전형적으로 강화 학습이 다루는 유형의 문제입니다. 이 문제를 지도 학습이나 비지도 학습으로 표현하는 것도 가능하지만 일반적이지 않습니다.

7. 고객을 여러 그룹으로 분할하려면 어떤 알고리즘을 사용해야 하나요?

   만약 그룹을 어떻게 정의할지 모른다면 비슷한 고객끼리 군집으로 나누기 위해 군집 알고리즘을 사용할 수 있습니다. 그러나 어떤 그룹이 있어야 할지 안다면 분류 알고리즘에 각 그룹에 대한 샘플을 주입합니다. 그러면 알고리즘이 전체 고객을 이런 그룹으로 분류하게 될 것입니다.

8. 스팸 감지의 문제는 지도 학습과 비지도 학습 중 어떤 문제로 볼 수 있나요?

   스팸 감지는 전형적인 지도 학습 문제입니다. 알고리즘에 많은 이메일과 이에 상응하는 레이블이 제공됩니다.

9. 온라인 학습 시스템이 무엇인가요?

   온라인 학습 시스템은 배치 학습 시스템과 달리 점진적으로 학습할 수 있습니다. 이 방식은 변화하는 데이터와 자율 시스템에 빠르게 적응하고 매우 많은 양의 데이터를 훈련시킬 수 있습니다.

10. 외부 메모리 학습이 무엇인가요?

    외부 메모리 알고리즘은 컴퓨터의 주메모리에 들어갈 수 없는 대용량의 데이터를 다룰 수 있습니다. 외부 메모리 학습 알고리즘은 데이터를 미니배치로 나누고 온라인 학습 기법을 사용해 학습합니다.

11. 예측을 하기 위해 유사도 측정에 의존하는 학습 알고리즘은 무엇인가요?

    인스턴스 기반 학습 시스템은 훈련 데이터를 기억하는 학습입니다. 새로운 샘플이 주어지면 유사도 측정을 사용해 학습된 샘플 중에서 가장 비슷한 것을 찾아 예측으로 사용합니다.

12. 모델 파라미터와 학습 알고리즘의 하이퍼파라미터 사이에는 어떤 차이가 있나요?

    모델은 하나 이상의 파라미터를 사용해 새로운 샘플이 주어지면 무엇을 예측할지 결정합니다. 학습 알고리즘은 모델이 새로운 샘플에 잘 일반화되도록 이런 파라미터들의 최적 값을 찾습니다. 하이퍼파라미터는 모델이 아니라 이런 학습 알고리즘 자체의 파라미터입니다.

13. 모델 기반 알고리즘이 찾는 것은 무엇인가요? 성공을 위해 이 알고리즘이 사용하는 가장 일반적인 전략은 무엇인가요? 예측은 어떻게 만드나요?

    모델 기반 학습 알고리즘은 새로운 샘플에 잘 일반화되기 위한 모델 파라미터의 최적 값을 찾습니다. 일반적으로 훈련 데이터에서 시스템의 예측이 얼마나 나쁜지 측정하고 모델에 규제가 있다면 모델 복잡도에 대한 패널티를 더한 비용 함수를 최소화함으로써 시스템을 훈련시킵니다. 예측을 만들려면 학습 알고리즘이 찾은 파라미터를 사용하는 모델의 예측 함수에 새로운 샘플의 특성을 주입합니다.

14. 머신러닝의 주요 도전 과제는 무엇인가요?

    머신러닝의 주요 도전 과제는 부족한 데이터, 낮은 데이터 품질, 대표성 없는 데이터, 무의미한 특성, 훈련 데이터에 과소적합된 과도하게 간단한 모델, 훈련 데이터에 과대적합된 과도하게 복잡한 모델 등입니다.

15. 모델이 훈련 데이터에서의 성능은 좋지만 새로운 샘플에서의 일반화 성능이 나쁘다면 어떤 문제가 있는 건가요? 가능한 해결책 세 가지는 무엇인가요?

    모델이 훈련 데이터에서는 잘 작동하지만 새로운 샘플에서는 형편없다면 이 모델은 훈련 데이터에 과대적합되었을 가능성이 높습니다. 과대적합에 대한 해결책은 더 많은 데이터를 모으거나, 모델을 단순화하거나, 훈련 데이터에 있는 잡음을 감소시키는 것입니다.

16. 테스트 세트가 무엇이고 왜 사용해야 하나요?

    테스트 세트는 실전에 배치되기 전에 모델이 새로운 샘플에 대해 만들 일반화 오차를 추정하기 위해 사용합니다.

17. 검증 세트의 목적은 무엇인가요?

    검증 세트는 모델을 비교하는 데 사용됩니다. 이를 사용해 가장 좋은 모델을 고르고 하이퍼파라미터를 튜닝합니다.

18. 테스트 세트를 사용해 하이퍼파라미터를 튜닝하면 어떤 문제가 생기나요?

    테스트 세트를 사용해 하이퍼파라미터를 튜닝하면 테스트 세트에 과대적합될 위험이 있고 일반화 오차는 매우 낙관적으로 측정될 것입니다.

19. 교차 검증이 무엇이고, 왜 하나의 검증 세트보다 선호하나요?

    교차 검증은 검증 세트를 별도로 분리하지 않고 모델을 비교할 수 있는 기술입니다. 이는 훈련 데이터를 최대한 활용하도록 도와줍니다.