불균형 데이터 개요 불균형 데이터(Imbalanced Data)는 분류 문제에서 특정 클래스가 다른 클래스에 비해 극단적으로 적게 나타나는 데이터 세트를 의미합니다. 이 현상은 금융 사기 탐지, 의료 진단, 이상 감지 등 다양한 실생활 응용 분야에서 흔히 발생하며, 모델 학습과 평가에 심각한 영향을 미칩니다. 본 문서에서는 불균형 데이터의 정의, 원인, 문…

모델 일반화 (Model Generalization) 1. 개요 모델 일반화(Model Generalization)란 머신러닝 모델이 학습 과정에서 사용되지 않은 새로운 데이터(Unseen Data)에 대해 얼마나 정확하게 예측하거나 분류할 수 있는지를 나타내는 능력이다. 머신러닝의 궁극적인 목표는 단순히 학습 데이터셋의 정답을 맞히는 것이 아니라, 데이터…

클래스 불균형 개요 클래스 불균형(Class Imbalance)은 머신러닝에서 분류 문제를 다룰 때, 특정 클래스의 샘플 수가 다른 클래스에 비해 현저히 적거나 많은 경우를 의미합니다. 예를 들어, 사기 탐지 시스템에서 정상 거래는 수백만 건인 반면 사기 거래는 수천 건에 불과할 수 있으며, 이 경우 사기 클래스(소수 클래스)는 전체 데이터에서 매우 작은 …

다의성 해소 (Word Sense Disambiguation, WSD) 1. 개요 다의성 해소(Word Sense Disambiguation, WSD)란 자연어 처리(NLP)에서 하나의 단어가 여러 가지 의미를 가지고 있을 때, 문맥을 분석하여 해당 단어가 가진 여러 의미 중 적절한 의미를 결정하는 자연어 처리 기술이다. 인간은 대화나 독서 시 주변 단어와…

데이터 편향 개요 데이터 편향(Data Bias)은 머신러닝 모델 훈련에 사용되는 데이터셋에 시스템적으로 왜곡된 패턴이 존재하는 현상으로, 모델의 예측 결과에 불공정성이나 오류를 유발할 수 있습니다. 이러한 편향은 데이터 수집, 전처리, 모델링 전 단계에서 발생할 수 있으며, 사회적 불평등을 심화시키거나 법적 문제를 야기할 수 있습니다. 예를 들어, 얼굴 …

언더샘플링 (Undersampling) 1. 개요 언더샘플링(Undersampling)이란 데이터 불균형(Data Imbalance) 문제가 존재하는 데이터셋에서 다수 클래스(Majority Class)의 샘플 수를 줄여 소수 클래스(Minority Class)와의 비율을 맞추는 데이터 전처리 기법이다. 데이터 불균형이란 특정 클래스의의 데이터 수가 다른 …

위양성율 (False Positive Rate) 위양성율(False Positive Rate, 약자 FPR)은 이진 분류(Binary Classification) 문제에서 실제 음성(Negative)인 샘플 중 모델이 양성(Positive)으로 잘못 예측한 비율을 의미합니다. 즉, "사건이 발생하지 않았음에도 불구하고 사건이 발생했다고 판단하는 오류"의 빈…

분류 (Classification) 개요 분류(Classification)는 데이터과학에서 가장 핵심적인 기계학습(ML) 기법 중 하나로, 주어진 데이터를 사전 정의된 범주 또는 클래스에 할당하는 과정을 의미합니다. 이는 지도학습(Supervised Learning)의 대표적 유형으로, 입력 데이터(X)와 그에 해당하는 레이블(Y)을 기반으로 모델을 학습시…

샘플링 개요 샘플링(Sampling)은 전체 모집단(Population에서 일부를 선택하여 그 특성을 조사함으로써 모집단 성질을 추정하는계적 방법이다. 데이터과학 분야에서 샘플링은규모 데이터셋 효율적으로 처리하고 분석하는 데심적인 역할을 한다. 특히 빅데이터 환경에서 전체 데이터를 처리하는 것이 비용이나 시간 측면에서 비효율적일 경우, 적절한 샘플링 기법을…

사기 탐지 개요 사기 탐지(Fraud Detection)는 금융 거래, 보험 청구, 전자상거래, 신용카드 사용 등 다양한 영역에서 부정행위를 식별하고 예방하기 위한 데이터과학 기반의 핵심 기술입니다. 특히 딥러닝, 머신러닝, 통계적 이상치 탐지 기법을 활용하여 정상적인 패턴에서 벗어난 비정상적인 행동이나 거래를 자동으로 감지하는 데 초점을 맞춥니다. 사기 …

기계 학습 전처리 기계 학습 전처리(Machine Learning Preprocessing)는 원시 데이터를 기계 학습 모이 효과적으로 학습할 수 있도록 변환하고 준비하는 일련의 과정을 의미합니다. 모델의 성능은 학습 알고리즘뿐 아니라 데이터의 질에 크게 의존하므로, 전처리는 기계 학습 프로젝트에서 가장 중요한 단계 중 하나로 꼽힙니다. 이 문서에서는 기계…

대표성 편향 (Representativeness Bias) 1. 개요 대표성 편향(Representativeness Bias)이란 어떤 대상이 특정 집단의 전형적인 특성과 유사하다는 이유만으로, 그 대상이 해당 집단에 속할 확률이 높다고 판단하는 인지적 오류를 의미한다. 이는 사람들이 확률적 판단을 내릴 때 수학적인 확률 계산보다는 직관적인 '유사성'이나 …

PR-AUC (Precision-Recall Area Under the Curve) 1. 개요 PR-AUC는 정밀도-재현율 곡선 아래의 면적(Area Under the Precision-Recall Curve)을 수치화한 지표로, 이진 분류 모델의 성능을 평가하는 데 사용됩니다. 이 지표는 정밀도(Precision)와 재현율(Recall)의 조화로운 성능을…

가중치 평균 개요 가중치 평균(Weighted Average)은 단순 평균(Arithmetic Mean)과 달리 각 신뢰도를 반영하기 위해 가중치(Weight)를 부여하여 계산하는 평균 방식입니다. 특히 데이터과학과 모델 평가 분야에서 다양한 지표를 종합하거나, 클래스 불균형이 있는 분류 문제에서 성능을 평가할 때 널리 사용됩니다. 단순 평균은 모든 데이터…

F1-score 1. 개요 F1-score는 분류 모델의 성능을 평가하는 지표로, 정밀도(Precision)와 재현율(Recall)의 조화 평균(Harmonic Mean)으로 계산되는 수치입니다. 일반적으로 분류 모델의 성능을 측정할 때 정확도(Accuracy)를 사용하지만, 데이터의 클래스 분포가 매우 불균형한 경우(Imbalanced Data) 정확도는…

모델 평가 (Model Evaluation) 1. 개요 모델 평가란 학습된 머신러닝 모델이 새로운 데이터에 대해 얼마나 정확하고 일반화된 예측 성능을 보이는지를 정량적으로 측정하는 과정이다. 모델 평가의 핵심 목적은 모델의 일반화 성능(Generalization Performance)을 확인하는 것이다. 모델이 학습 데이터에만 지나치게 최적화되어 새로운 데…

집단별 성능 지표 (Stratified Performance Metrics) 개요 집단별 성능 지표(Stratified Performance Metrics)는 머신러닝 및 데이터 과학 모델의 평가 과정에서 전체 데이터셋의 평균 성능만으로는 파악하기 어려운 하위 그룹(Sub-group) 간의 성능 편차(Disparity)를 정량화하기 위해 사용되는 평가 방법…

레이블의 분포 (Label Distribution) 개요 레이블의 분포(Label Distribution)는 기계 학습(Machine Learning) 및 데이터 과학 분야에서 분류(Classification) 문제의 타겟 변수(Target Variable)가 데이터셋 내에서 어떻게 할당되어 있는지를 나타내는 통계적 특성입니다. 특히 지도 학습(Superv…

재현율 (Recall) 재현율(Recall)은 머신러닝과 데이터 과학 분야에서 분류(Classification) 모델의 성능을 평가하는 핵심 지표 중 하나입니다. 특히 불균형 데이터(Imbalanced Data)가 존재하거나, 거짓 음성(False Negative)의 비용이 매우 높은 상황에서 모델의 민감도(Sensitivity)를 파악하는 데 필수적인 개…

재현율 개요 재현율(Recall)은 인공지능, 특히 머신러닝 모델의 성능을 평가하는 핵심 지표 중 하나로, 정답인 사례 중에서 모델이 얼마나 많은 것을 올바르게 찾아냈는지를 나타내는 비율입니다. 주로 분류 문제, 특히 이진 분류(Binary Classification)에서 사용되며, 민감도(Sensitivity) 또는 참양성률(True Positive Ra…