머신 러닝

1. 머신러닝 개요

머신러닝(Machine Learning)은 데이터를 기반으로 패턴을 학습하고 예측을 수행하는 알고리즘이다.
기존의 프로그램은 사람이 규칙을 직접 정의하지만, 머신러닝은 데이터로부터 규칙을 학습한다.

구성 요소

데이터 → 학습(Training) → 모델(Model) → 예측(Prediction)

머신러닝의 주요 목적

• 데이터 패턴 학습
• 미래 데이터 예측
• 데이터 분류
• 의사결정 자동화

---

2. 머신러닝 기본 용어

용어	설명
데이터(Data)	모델이 학습하는 정보
특성(Feature)	입력 변수
레이블(Label)	정답 값
모델(Model)	데이터를 학습한 수학적 함수
학습(Training)	모델이 데이터를 통해 패턴을 배우는 과정
예측(Prediction)	학습된 모델이 새로운 데이터를 판단하는 과정

---

3. 머신러닝 학습 유형

머신러닝은 크게 다음과 같이 구분된다.

3.1 지도학습 (Supervised Learning)

입력 데이터와 정답(label)이 함께 제공되는 학습 방법이다.

X → 입력 데이터
y → 정답 데이터

대표적인 문제 유형

분류 (Classification)

데이터를 범주로 나누는 문제

예시

• 이메일 스팸 분류
• 이미지 객체 분류
• 질병 진단

회귀 (Regression)

연속적인 값을 예측하는 문제

예시

• 집 가격 예측
• 주식 가격 예측
• 매출 예측

---

3.2 비지도학습 (Unsupervised Learning)

정답(label)이 없는 데이터를 학습하는 방식이다.

목적

• 데이터 구조 파악
• 데이터 그룹 분류

대표 알고리즘

• K-means
• DBSCAN
• PCA

---

3.3 강화학습 (Reinforcement Learning)

환경과 상호작용하면서 보상을 통해 학습하는 방식이다.

구성 요소

요소	설명
Agent	행동을 수행하는 주체
Environment	환경
State	현재 상태
Action	행동
Reward	보상

대표 활용

• 게임 AI
• 로봇 제어
• 자율주행

---

4. 머신러닝 라이브러리

파이썬에서는 다음 라이브러리를 많이 사용한다.

라이브러리	역할
NumPy	수치 연산
Pandas	데이터 처리
Matplotlib	데이터 시각화
Scikit-learn	머신러닝 알고리즘
TensorFlow	딥러닝
PyTorch	딥러닝

---

5. Scikit-learn

Scikit-learn은 파이썬 머신러닝 라이브러리이다.

주요 기능

• 데이터 전처리
• 머신러닝 모델 제공
• 모델 평가

설치

pip install scikit-learn

---

6. 데이터 준비

머신러닝 모델 학습을 위해 데이터를 준비해야 한다.

예제 데이터 생성

from sklearn.datasets import load_iris

iris = load_iris()

print(iris.keys())

# 결과
# dict_keys(['data', 'target', 'frame', 'target_names', 'DESCR', 'feature_names'])

---

데이터 구성

X = iris.data
y = iris.target

print(X.shape)
print(y.shape)

# 결과
# (150, 4)
# (150,)

설명

항목	의미
150	샘플 개수
4	특성 개수

---

7. 학습 데이터와 테스트 데이터 분리

머신러닝에서는 데이터를 두 가지로 나눈다.

데이터	역할
Training Data	모델 학습
Test Data	모델 성능 평가

분리 방법

from sklearn.model_selection import train_test_split

X_train, X_test, y_train, y_test = train_test_split(
    X,
    y,
    test_size=0.2,
    random_state=42
)

print(X_train.shape)
print(X_test.shape)

# 결과
# (120, 4)
# (30, 4)

설명

옵션	의미
test_size	테스트 데이터 비율
random_state	랜덤 시드

---

8. 모델 생성

Scikit-learn에서는 다양한 머신러닝 모델을 제공한다.

예제: KNN 알고리즘

from sklearn.neighbors import KNeighborsClassifier

model = KNeighborsClassifier(n_neighbors=3)

설명

파라미터	의미
n_neighbors	참고할 이웃 데이터 개수

---

9. 모델 학습

모델을 학습할 때는 fit() 함수를 사용한다.

model.fit(X_train, y_train)

# 결과
# 모델이 학습됨

---

10. 예측

학습된 모델을 이용하여 새로운 데이터를 예측할 수 있다.

pred = model.predict(X_test)

print(pred)

# 결과
# 예측된 클래스 값 배열

---

11. 모델 평가

모델 성능을 평가할 때는 accuracy_score를 사용한다.

from sklearn.metrics import accuracy_score

accuracy = accuracy_score(y_test, pred)

print(accuracy)

# 결과
# 0.96 (예시)

accuracy는 정확도(Accuracy)를 의미한다.

Accuracy = (정답 예측 수) / (전체 데이터 수)

---

12. 전체 머신러닝 과정

머신러닝의 전체 과정은 다음과 같다.

데이터 수집
      ↓
데이터 전처리
      ↓
데이터 분리 (Train / Test)
      ↓
모델 선택
      ↓
모델 학습
      ↓
예측 수행
      ↓
모델 평가

---

13. 정리

머신러닝은 데이터를 기반으로 패턴을 학습하고 예측을 수행하는 기술이다.

핵심 과정

• 데이터 준비
• 데이터 분리
• 모델 선택
• 모델 학습
• 예측
• 모델 평가

대표 라이브러리

• NumPy
• Pandas
• Matplotlib
• Scikit-learn

Scikit-learn은 파이썬에서 머신러닝을 시작할 때 가장 많이 사용하는 라이브러리이다.