# 감독 학습

## 개요

**감독 학습**(Supervised Learning)은 인공지능, 특히 머신러닝 분야에서 가장 기초적이고 널리 사용되는 학습 방식 중 하나입니다. 이 방법은 입력 데이터와 그에 대응하는 정답(레이블)이 쌍으로 주어진 상태에서 모델이 입력과 출력 사이의 관계를 학습함으로써 새로운 입력에 대한 정확한 출력을 예측할 수 있도록 합니다. 감독 학습은 분류(Classification)와 회귀(Regression) 문제 해결에 주로 활용되며, 실생활의 다양한 분야에서 응용되고 있습니다.

감독 학습의 핵심은 **학습 데이터**(Training Data)에 있습니다. 이 데이터는 입력 변수(특징, features)와 출력 변수(레이블, labels)로 구성되며, 모델은 이 데이터를 기반으로 패턴을 학습합니다. 학습이 완료된 후에는 새로운, 이전에 보지 못한 데이터에 대해 예측을 수행할 수 있습니다.

---

## 감독 학습의 기본 원리

감독 학습은 다음과 같은 절차를 따릅니다:

1. **데이터 수집**: 입력과 정답이 쌍으로 존재하는 데이터셋을 준비합니다.
2. **데이터 전처리**: 결측치 처리, 정규화, 특징 추출 등의 전처리를 수행합니다.
3. **모델 선택**: 문제 유형에 맞는 알고리즘(예: 결정 트리, 서포트 벡터 머신, 신경망 등)을 선택합니다.
4. **학습(훈련)**: 학습 데이터를 사용해 모델이 입력과 출력의 관계를 학습합니다.
5. **평가**: 검증 데이터나 테스트 데이터를 사용해 모델의 성능을 평가합니다.
6. **예측**: 새로운 데이터에 대해 예측을 수행합니다.

이 과정에서 모델은 **손실 함수**(Loss Function)를 최소화하는 방향으로 파라미터를 조정하며 학습됩니다. 예를 들어, 회귀 문제에서는 평균 제곱 오차(MSE), 분류 문제에서는 교차 엔트로피 손실을 사용합니다.

---

## 주요 문제 유형

감독 학습은 주로 두 가지 문제 유형으로 나뉩니다.

### 1. 분류(Classification)

분류는 입력 데이터를 미리 정의된 카테고리(클래스) 중 하나로 할당하는 문제입니다. 출력 값은 이산적(discrete)입니다.

- **이진 분류**(Binary Classification): 두 개의 클래스로 분류 (예: 스팸 메일 여부)
- **다중 클래스 분류**(Multi-class Classification): 세 개 이상의 클래스로 분류 (예: 손글씨 숫자 인식 0~9)

**사용되는 알고리즘**:
- 로지스틱 회귀 (Logistic Regression)
- 나이브 베이즈 (Naive Bayes)
- 의사결정 나무 (Decision Tree)
- 랜덤 포레스트 (Random Forest)
- 서포트 벡터 머신 (SVM)
- 신경망 (Neural Networks)

### 2. 회귀(Regression)

회귀는 입력 데이터에 기반하여 연속적인 수치 값을 예측하는 문제입니다. 출력 값은 연속적(continuous)입니다.

- 예: 집값 예측, 주식 가격 예측, 온도 예측

**사용되는 알고리즘**:
- 선형 회귀 (Linear Regression)
- 다항 회귀 (Polynomial Regression)
- 릿지 회귀 (Ridge Regression)
- 라쏘 회귀 (Lasso Regression)
- 결정 트리 회귀 (Decision Tree Regressor)
- 그래디언트 부스팅 회귀 (Gradient Boosting Regressor)

---

## 대표적인 알고리즘 예시

### 선형 회귀 (Linear Regression)

가장 간단한 회귀 모델로, 입력 변수와 출력 변수 사이의 선형 관계를 가정합니다. 모델은 다음과 같은 형태를 가집니다:

$$
y = \beta_0 + \beta_1 x_1 + \beta_2 x_2 + \dots + \beta_n x_n + \epsilon
$$

여기서 $y$는 예측값, $x_i$는 입력 변수, $\beta_i$는 계수, $\epsilon$은 오차입니다.

### 로지스틱 회귀 (Logistic Regression)

분류 문제를 위한 알고리즘으로, 출력이 0 또는 1인 이진 분류에 사용됩니다. 시그모이드 함수를 사용하여 출력을 0~1 사이의 확률로 변환합니다.

$$
P(y=1|x) = \frac{1}{1 + e^{-(\beta_0 + \beta_1 x_1 + \dots + \beta_n x_n)}}
$$

---

## 장점과 한계

| 장점 | 한계 |
|------|------|
| 명확한 정답이 있어 학습 결과를 쉽게 평가할 수 있음 | 레이블링된 데이터가 필요하므로 데이터 수집 비용이 큼 |
| 다양한 알고리즘과 잘 정립된 평가 지표 존재 | 과적합(Overfitting) 발생 가능성 있음 |
| 실용적인 응용 사례가 많음 (의료 진단, 스팸 필터 등) | 새로운 유형의 데이터에 대한 일반화 능력이 떨어질 수 있음 |

---

## 응용 사례

- **의료 진단**: 환자의 검사 결과를 바탕으로 질병 여부 예측
- **금융**: 신용 점수 기반 대출 승인 여부 결정
- **이미지 인식**: 사진 속 객체 인식 (예: 고양이 vs 강아지)
- **자연어 처리**: 감성 분석 (긍정/부정 리뷰 분류)

---

## 관련 문서 및 참고 자료

- [머신러닝 개요](/wiki/머신러닝)
- [비지도 학습](/wiki/비지도_학습)
- [과적합과 정규화](/wiki/과적합)
- Bishop, C. M. (2006). *Pattern Recognition and Machine Learning*. Springer.
- Hastie, T., Tibshirani, R., & Friedman, J. (2009). *The Elements of Statistical Learning*. Springer.

감독 학습은 머신러닝의 기초이자 핵심 기술로서, 정밀한 예측과 실용적인 응용이 가능하기 때문에 여전히 활발히 연구되고 사용되고 있습니다.