입력 데이터가 모델에 입력되면 교차 검증 프로세스의 일부로 모델이 적절하게 적합해질 때까지 가중치를 조정합니다. 지도 학습은 받은 편지함과 다른 별도의 폴더에 스팸 메일을 분류하는 것처럼 현실적인 문제를 대규모로 해결하는 데 도움이 됩니다. 매우 정확한 머신 러닝 모델을 구축하는 데 사용할 수 있습니다.
AI 채택을 가로막는 장벽, 특히 AI 거버넌스 및 위험 관리 솔루션의 부족에 대해 알아보세요.
IDC 보고서 신청
지도 학습은 훈련 세트를 사용하여 원하는 아웃풋을 산출하도록 모델을 학습시킵니다. 이 훈련 데이터 세트에는 입력과 올바른 출력이 포함되어 있어 지속해서 모델이 학습할 수 있습니다. 알고리즘은 손실 함수를 통해 정확도를 측정하고 오류가 충분히 최소화될 때까지 조정합니다.
지도 학습은 데이터 마이닝 시 분류와 회귀라는 두 가지 유형의 문제로 구분될 수 있습니다.
지도 머신 러닝 프로세스에는 다양한 알고리즘과 계산 기법이 사용됩니다. 일반적으로 R 또는 Python과 같은 프로그램을 사용하여 계산되며, 아래에서 가장 일반적으로 사용되는 몇 가지 학습 방법에 대한 간략한 설명을 보실 수 있습니다.
비지도 머신 러닝과 지도 머신 러닝은 함께 논의되는 경우가 많습니다. 지도 학습과 달리 비지도 학습은 레이블이 지정되지 않은 데이터를 사용합니다. 이 데이터로부터 클러스터링 또는 연관 문제를 해결하는 데 도움이 되는 패턴을 발견합니다. 이는 주제별 전문가가 데이터 세트 내의 공통 속성을 잘 모를 때 특히 유용합니다. 일반적인 클러스터링 알고리즘은 계층적, k-평균, 가우스 혼합 모델입니다.
준지도 학습은 주어진 입력 데이터의 일부만 레이블이 지정되었을 때 발생합니다. 비지도 및 준지도 학습은 지도 학습에 적합한 데이터 레이블을 지정하기 위해 도메인 전문 지식에 의존하는 데 시간과 비용이 많이 들 수 있으므로 더 매력적인 대안이 될 수 있으며, 일반적인 클러스터링 알고리즘은 계층적, k-평균 및 가우스 혼합 모델입니다.
이러한 접근 방식의 차이점에 대한 자세한 내용은 '지도 학습(Supervised Learning)과 비지도 학습(Unsupervised Learning) 비교: 차이점은 무엇인가요?'를 참조하세요.
지도 학습 모델을 사용하여 다음을 비롯한 다양한 비즈니스 애플리케이션을 구축하고 발전시킬 수 있습니다.
지도 학습은 심층적인 데이터 인사이트와 향상된 자동화 등의 이점을 비즈니스에 제공할 수 있지만, 지속 가능한 지도 학습 모델을 구축할 때 몇 가지 문제가 있습니다. 이러한 문제의 몇 가지 예를 살펴보겠습니다.