문서 둘러보기
이산 코사인 변환
이산 코사인 변환은 유한한 수열을 코사인 기저의 계수로 표현하는 변환이다. 변환 유형과 정규화 방식에 따라 기저의 위치와 계수 크기가 달라지므로 순방향과 역방향의 정의를 함께 맞춰야 한다.
이차 할당 문제
이차 할당 문제는 시설과 위치 등을 일대일로 대응시킬 때, 두 시설 사이의 관계와 배정된 두 위치 사이의 관계가 함께 결정하는 비용을 최적화하는 문제다. 한 시설의 배정 비용이 다른 시설의 배치에도 의존한다.
선형 할당 문제
선형 할당 문제는 두 집합의 원소를 일대일로 연결하면서 선택한 연결들의 비용 합을 최소화하는 최적화 문제다. 작업자와 작업, 관측과 추적 대상처럼 서로 대응시킬 두 집합이 있을 때 기본 모형으로 사용할 수 있다.
건축·구조 도면의 Each Face와 Each Way
Each Face(EF)는 각 면, Each Way(EW)는 각 방향을 뜻한다. 도면에서 면과 방향을 구분하는 기초 용어를 설명한다.
평균 제곱 로그 오차
평균 제곱 로그 오차는 실제값과 예측값에 각각 1을 더해 로그를 취한 뒤, 그 차이의 제곱을 평균한 회귀 평가 지표다. 원래 단위의 절대 오차보다 변환된 값 사이의 비율에 민감한 비교를 한다.
블루밍톡과 A2O AI 아바타의 특징
이스트소프트가 공개한 A2O LITE·SOUL 아바타 사례를 바탕으로, 실시간 영상 대화와 다국어 기능을 살펴본다.
최근접 중심 분류
최근접 중심 분류는 각 클래스를 대표하는 중심을 구하고, 새 표본과 중심 사이의 거리를 비교해 클래스를 정하는 방법이다. 모든 학습 표본을 이웃 후보로 사용하는 최근접 이웃 분류와는 대표 정보의 구성이 다르다.
BIRCH 군집화
BIRCH 군집화는 자료를 작은 하위 군집의 요약 정보로 압축해 트리 구조에 저장하고, 필요하면 그 요약을 다시 군집화하는 방법이다. 모든 표본 쌍의 관계를 저장하는 대신 부분 집합의 통계를 이용한다.
친화도 전파 군집화
친화도 전파 군집화는 표본 사이에 대표점 선택에 관한 메시지를 주고받아 군집과 대표 표본을 찾는 방법이다. 군집 수를 직접 지정하는 대신 표본 간 유사도와 대표점 선호도 등이 결과에 영향을 준다.
직교 매칭 추구
직교 매칭 추구는 잔차와 잘 맞는 벡터를 하나씩 선택하고, 선택된 벡터들에 대한 계수를 다시 추정해 희소한 선형 표현을 만드는 탐욕적 방법이다. 적은 수의 계수로 회귀나 신호 재구성을 수행하는 데 쓰인다.
사전 학습 (희소 표현)
희소 표현에서 사전 학습은 여러 기본 벡터를 자료로부터 학습하고, 각 관측을 그중 적은 수의 조합으로 나타내려는 방법이다. 기본 벡터 집합을 사전, 각 관측을 표현하는 계수들을 코드라고 부른다.
원클래스 서포트 벡터 머신
원클래스 서포트 벡터 머신은 학습 자료가 주로 나타내는 영역의 경계를 추정해 새로운 관측이 그 영역에 부합하는지 판단하는 방법이다. 서로 다른 두 클래스의 정답을 구분하는 일반적인 이진 분류와 학습 목적이 다르다.
t-SNE
t-SNE는 고차원 자료의 표본 사이 유사성을 확률 분포로 표현하고, 저차원 배치에서 비슷한 관계가 나타나도록 좌표를 조정하는 시각화 방법이다. 주로 이웃 관계를 탐색하는 데 사용하며, 그림의 모든 거리와 면적이 원자료를 그대로 뜻하지는 않는다.
아이소맵
아이소맵은 가까운 표본들을 연결한 그래프의 최단 경로로 자료 내부의 거리를 근사하고, 그 관계를 저차원에 표현하는 비선형 차원 축소 방법이다. 원래 공간의 직선거리와 자료를 따라가는 거리를 구별한다.
다차원 척도법
다차원 척도법은 대상 사이의 비유사도나 거리 관계를 낮은 차원의 점 배치로 나타내는 방법이다. 가까운 대상은 가깝게, 먼 대상은 멀게 배치하려 하지만 선택한 차원에서 모든 관계가 정확히 보존되지는 않을 수 있다.
정규화 할인 누적 이득
정규화 할인 누적 이득은 검색이나 추천 결과에서 관련성이 높은 항목을 얼마나 앞에 배치했는지 평가하는 순위 지표다. 순위에 따라 할인한 이득을 더한 뒤, 같은 항목들의 이상적인 순서에서 얻는 값으로 나눈다.
커널 릿지 회귀
커널 릿지 회귀는 커널이 나타내는 특징 공간에서 제곱 오차와 L2 정규화를 이용해 회귀 함수를 추정하는 방법이다. 비선형 커널을 사용하면 원래 입력 공간에서 비선형 관계를 표현할 수 있다.
RANSAC 회귀
RANSAC 회귀는 표본 일부로 후보 회귀 모형을 만들고, 그 모형과 일치하는 표본 집합을 찾아 최종 모형을 추정하는 방법이다. 큰 오차를 가진 관측이 섞인 자료에서 합의 집합을 반복적으로 탐색한다.
허버 회귀
허버 회귀는 작은 잔차에는 이차 형태, 큰 잔차에는 선형 형태의 손실을 적용해 회귀 계수를 추정하는 방법이다. 큰 오차의 영향력을 줄이면서도 해당 표본의 영향을 완전히 없애지는 않는다.
스태킹 분류
스태킹 분류는 여러 기본 분류기의 출력을 새로운 입력으로 삼아 최종 분류기를 학습하는 앙상블 방법이다. 미리 정한 규칙으로 표를 합치는 투표와 달리, 출력들을 결합하는 방식도 자료에서 학습한다.
투표 분류
투표 분류는 여러 분류기의 예측을 모아 하나의 분류 결과를 정하는 앙상블 방법이다. 예측 레이블에 표를 주는 하드 투표와 클래스별 예측 확률을 합치는 소프트 투표가 대표적이다.
레이블 전파
레이블 전파는 일부 표본에만 정답이 있는 상황에서 표본 간 유사도 그래프를 이용해 나머지 표본의 분류를 추정하는 준지도 학습 방법이다. 가까이 연결된 표본들이 비슷한 레이블을 가진다는 가정을 활용한다.
희소 주성분 분석
희소 주성분 분석은 적은 수의 변수에 0이 아닌 계수를 주는 성분으로 자료를 표현하려는 방법이다. 재구성 성능과 성분의 희소성 사이에서 균형을 정해, 여러 변수에 계수가 퍼지는 표현을 단순화한다.
스펙트럴 군집화
스펙트럴 군집화는 자료 사이의 유사성을 그래프로 표현하고, 그래프 라플라시안의 고유벡터로 얻은 공간에서 군집을 구하는 방법이다. 중심점까지의 거리만으로 설명하기 어려운 연결 구조를 분석하는 데 쓰인다.
커널 주성분 분석
커널 주성분 분석은 커널로 표현한 특징 공간에서 주성분을 찾는 차원 축소 방법이다. 원래 좌표에서 직선으로 표현되지 않는 구조를 다룰 수 있지만, 결과는 선택한 커널과 설정에 따라 달라진다.
RTX 3060 Ti와 RTX 3080의 게임 성능 비교
RTX 3080은 RTX 3060 Ti보다 상위 성능의 제품이지만 프레임 차이는 게임·해상도·CPU와 설정에 따라 달라진다. 과거 동일 조건 실측 사례와 비교 시 주의점을 정리한다.
독립 성분 분석
독립 성분 분석은 여러 관측 신호가 잠재 신호들의 혼합이라고 보고, 통계적으로 독립적인 성분을 찾으려는 방법이다. 대표적인 선형 모형에서는 관측값에 분리 행렬을 적용해 원천 신호를 추정한다.
요인 분석
요인 분석은 여러 관측 특징의 공통 변동을 더 적은 잠재 요인으로 설명하려는 모형이다. 기본적인 선형 가우스 모형에서는 관측값을 요인의 선형 변환과 특징별 잡음의 합으로 나타낸다.
에어팟 프로 2 라이트닝·USB-C 차이
에어팟 프로 2의 라이트닝 모델과 USB-C 모델은 충전 단자 외에도 방진 등급과 Apple Vision Pro 연결 시의 무손실 오디오 지원에 차이가 있다.
가우스 혼합 모형
가우스 혼합 모형은 여러 정규분포의 밀도를 가중합하여 전체 분포를 나타내는 확률 모형이다. 성분마다 평균과 공분산을 두고, 각 성분의 혼합 비중을 함께 추정한다.
커널 밀도 추정
커널 밀도 추정은 관측 표본마다 작은 밀도 함수를 놓고 이를 더해 전체 확률밀도를 추정하는 방법이다. 분포의 모양을 하나의 정규분포로 고정하지 않으며, 커널의 형태와 대역폭이 추정 곡선을 결정한다.
2억 화소 카메라와 픽셀 비닝
고화소는 세부 묘사와 잘라내기에 도움이 되지만 사진의 모든 품질을 결정하지는 않는다. 200MP 센서가 낮은 해상도로 촬영하는 이유와 빛·센서·처리 기술의 관계를 설명한다.
그래피컬 라소
그래피컬 라소는 L1 규제를 사용해 희소한 역공분산 행렬을 추정하는 방법이다. 정규분포 모형에서 변수들의 조건부 관계를 살피는 데 활용하며, 일반 공분산 행렬의 원소를 단순히 0으로 자르는 방법과 다르다.
공분산 축소 추정
공분산 축소 추정은 자료에서 구한 공분산 행렬을 단순한 기준 행렬 쪽으로 이동시켜 추정의 변동과 수치적 불안정성을 줄이려는 방법이다. 표본이 적거나 특징이 많을 때 경험 공분산만 사용하는 것과 다른 절충을 제공한다.
엑셀 시간을 총 초로 바꾸기
엑셀의 시간 값은 하루의 비율로 저장된다. 실제 시간 값과 분:초·시:분:초 형태의 텍스트를 구분해야 초 단위 숫자로 정확히 변환할 수 있다.
등위 회귀
등위 회귀는 입력의 순서에 따라 예측값이 감소하지 않거나 증가하지 않도록 제약을 두는 회귀 방법이다. 직선 형태를 정하는 대신 순서 관계를 유지하면서 관측값과의 차이를 줄인다.
국소 이상 인자
국소 이상 인자는 한 표본의 주변 밀도를 이웃 표본들의 밀도와 비교해 이상 정도를 평가하는 방법이다. 전체 자료에서 얼마나 멀리 떨어졌는지만 보는 대신, 그 표본이 속한 주변에 비해 얼마나 성기게 놓였는지를 살핀다.
아이솔레이션 포레스트
아이솔레이션 포레스트는 무작위 분할로 표본을 고립시키는 데 필요한 경로 길이를 이용하는 이상 탐지 방법이다. 여러 무작위 나무에서 상대적으로 짧은 경로로 분리되는 표본을 이상 후보로 평가한다.
기울기 부스팅 회귀
기울기 부스팅 회귀는 현재 예측의 손실을 줄이는 방향을 학습하는 모형을 순차적으로 더하는 방법이다. 회귀나무를 기본 모형으로 사용하는 경우가 많으며, 각 단계가 이전 예측에서 남은 문제를 보완한다.
아다부스트
아다부스트는 앞 단계 분류기가 틀린 표본의 비중을 조정하면서 기본 분류기를 순차적으로 학습하고 결합하는 부스팅 방법이다. 각 단계가 같은 비중의 표본만 보는 것이 아니라 이전 단계의 결과에 따라 학습의 초점을 바꾼다.
배깅
배깅은 원자료에서 중복을 허용해 여러 학습 표본 집합을 만들고, 각각 학습한 모형의 결과를 결합하는 앙상블 방법이다. 자료의 작은 변화에 민감한 기본 모형의 예측 변동을 줄이는 데 활용한다.
자기 훈련 분류
자기 훈련 분류는 라벨이 있는 자료로 학습한 모형이 라벨 없는 자료의 임시 라벨을 예측하고, 선택한 결과를 학습에 추가하는 과정을 반복하는 방법이다. 지도 분류기를 준지도 학습에 활용하는 한 방식이다.
오류 정정 출력 코드 분류
오류 정정 출력 코드 분류는 각 범주에 이진 코드열을 배정하고 코드의 각 자리를 예측하는 이진 분류기들을 학습하는 방법이다. 예측된 코드와 가까운 범주 코드를 찾아 다중 범주 결과를 만든다.
회귀기 체인
회귀기 체인은 여러 수치 목표를 예측하는 회귀 모형을 순서대로 연결하는 방법이다. 뒤 단계의 모형은 원래 특징과 앞 단계의 목표 정보를 함께 사용해 목표 사이 관계를 활용하려 한다.
분류기 체인
분류기 체인은 여러 라벨을 예측하는 이진 분류기들을 순서대로 연결한 모형이다. 뒤의 분류기는 원래 입력 특징뿐 아니라 앞 단계의 라벨 정보를 추가 입력으로 받아 라벨 사이 관계를 활용하려 한다.
일대일 분류
일대일 분류는 범주의 모든 쌍에 대해 이진 분류기를 학습하고 그 결과를 결합하는 다중 범주 분류 전략이다. 각 분류기는 해당하는 두 범주의 자료만 사용해 둘을 구별한다.
일대나머지 분류
일대나머지 분류는 여러 범주를 각각 해당 범주와 나머지 범주들의 이진 문제로 나누어 학습하는 전략이다. 범주별 분류기의 점수를 결합해 다중 범주 예측을 만들 수 있다.
상위 K 정확도
상위 K 정확도는 정답 범주가 예측 점수가 높은 K개 후보 안에 포함된 표본의 비율이다. 후보 하나만 고르는 정확도보다 넓은 적중 기준을 사용하며, 범주가 하나인 분류 문제의 후보 목록을 평가할 때 쓰인다.
빅스비 지원 언어 확대와 기기 제어
삼성전자는 2026년 10월 빅스비 지원 언어를 9개에서 12개로 확대한다고 발표했다. 추가 언어와 실제 활용 범위, 통역 기능과의 차이를 정리한다.
해밍 손실
해밍 손실은 분류 결과에서 잘못 예측한 라벨 판단의 비율을 나타내는 지표다. 다중 라벨 문제에서는 표본 전체를 한 번에 맞췄는지가 아니라 각 라벨의 개별 판단을 센다.
선형 서포트 벡터 회귀
선형 서포트 벡터 회귀는 입력의 선형식으로 수치를 예측하면서 일정 폭 안의 잔차에는 손실을 부여하지 않는 회귀 방법이다. 허용 오차 폭과 가중치 규제 사이의 절충을 학습한다.
선형 서포트 벡터 분류
선형 서포트 벡터 분류는 선형 점수의 부호로 범주를 나누면서 마진과 분류 손실의 절충을 학습하는 방법이다. 특징에 대한 가중합과 절편을 사용하며, 비선형 커널을 사용하는 모형과 구별된다.
퍼셉트론
퍼셉트론은 입력의 가중합과 절편으로 선형 결정 경계를 만들고, 잘못 분류한 표본에 따라 가중치를 갱신하는 분류 방법이다. 인공 신경망의 기본 단위와 선형 학습 알고리즘을 설명할 때 등장한다.
포아송 회귀
포아송 회귀는 횟수 자료의 조건부 평균을 설명하는 일반화 선형 모형이다. 대표적인 로그 연결 모형에서는 평균의 로그를 입력 특징의 선형식으로 나타내어 예측 평균을 양수로 유지한다.
분위수 회귀
분위수 회귀는 입력이 주어졌을 때 목표값 분포의 특정 분위수를 추정하는 방법이다. 조건부 평균 하나를 예측하는 회귀와 달리 중앙값이나 상위 분위수처럼 분포의 다른 위치를 목표로 할 수 있다.
랜덤 포레스트 회귀
랜덤 포레스트 회귀는 무작위 표본 추출과 특징 후보 선택으로 만든 여러 회귀나무의 수치 예측을 결합하는 방법이다. 대표적인 방식은 각 나무의 예측을 산술평균하여 단일 나무의 변동을 줄이려 한다.
회귀나무
회귀나무는 입력 특징에 대한 조건으로 자료를 여러 영역으로 나누고 각 잎에서 수치 목표값을 예측하는 의사결정나무다. 분할 기준과 잎의 대표값은 선택한 손실 함수에 따라 달라진다.
K 최근접 이웃 회귀
K 최근접 이웃 회귀는 새 입력과 가까운 학습 표본 K개의 목표값을 평균하여 수치를 예측하는 방법이다. 이웃의 범주를 투표하는 분류와 달리 연속적인 목표값을 결합한다.
최대 절댓값 스케일링
최대 절댓값 스케일링은 각 수치 특징을 학습 자료에서 관찰한 가장 큰 절댓값으로 나누는 전처리 방법이다. 평균을 빼지 않아 0을 그대로 유지하며, 서로 다른 특징의 크기를 조절할 때 사용할 수 있다.
거듭제곱 변환
거듭제곱 변환은 매개변수가 있는 단조 변환으로 수치 자료의 비대칭이나 분산 구조를 바꾸는 방법이다. 박스 콕스 변환과 여 존슨 변환 등이 있으며, 특징별 분포를 정규분포에 더 가깝게 만들려는 전처리에 사용된다.
분위수 변환
분위수 변환은 수치 특징에서 값이 분포의 어느 위치에 있는지를 추정해 다른 분포의 좌표로 옮기는 전처리 방법이다. 균등분포나 정규분포 모양의 주변분포를 목표로 할 수 있으며, 단순한 평균·분산 조절과는 다른 비선형 변환이다.
특징 구간화
특징 구간화는 연속적인 수치 특징을 여러 구간으로 나누고 각 값을 구간 번호나 범주로 바꾸는 전처리 방법이다. 구간 경계를 정하는 방식과 변환 결과의 표현 방식이 후속 모형에 영향을 준다.
이차 판별 분석
이차 판별 분석은 범주별로 서로 다른 공분산을 갖는 정규분포를 적합해 분류하는 방법이다. 범주 간 점수 차이에 입력의 이차항이 남을 수 있어 선형 판별 분석보다 다양한 경계를 표현한다.
선형 판별 분석
선형 판별 분석은 범주마다 평균은 다르되 공분산은 같다는 정규분포 모형으로 분류하는 방법이다. 베이즈 규칙에 따라 범주별 점수를 비교하며, 결정 경계가 입력 특징에 대한 선형식으로 나타난다.
범주형 나이브 베이즈
범주형 나이브 베이즈는 각 특징이 몇 가지 범주 중 하나의 값을 갖는 자료를 분류하는 방법이다. 예측할 범주별로 특징 값의 조건부 확률을 추정하고 사전확률과 결합한다.
다항 나이브 베이즈
다항 나이브 베이즈는 단어 출현 횟수처럼 여러 항목의 빈도로 나타낸 자료를 분류하는 확률 모형이다. 범주별 항목 확률과 사전확률을 이용하며, 문서 분류에 널리 활용된다.
베르누이 나이브 베이즈
베르누이 나이브 베이즈는 각 특징을 있음과 없음의 이진 값으로 나타내는 분류 모형이다. 범주별 특징 출현 확률과 범주 사전확률을 결합하며, 범주가 주어졌을 때 특징들이 독립이라고 가정한다.
가우스 나이브 베이즈
가우스 나이브 베이즈는 범주가 주어졌을 때 각 수치 특징을 정규분포로 나타내고, 특징들의 조건부 독립을 가정해 범주를 예측하는 방법이다. 범주별 사전확률과 특징별 평균 및 분산을 이용한다.
K 최근접 이웃 분류
K 최근접 이웃 분류는 새 표본과 가까운 학습 표본 K개를 찾아 그 범주를 모아 예측하는 방법이다. 가까움의 정의와 이웃 수, 거리별 가중치가 결과를 결정한다.
랜덤 포레스트 분류
랜덤 포레스트 분류는 무작위성을 넣어 학습한 여러 의사결정나무의 예측을 결합하는 방법이다. 표본 재추출과 분할 후보 특징의 무작위 선택으로 나무들을 다르게 만들고, 여러 결과를 모아 단일 나무의 불안정성을 줄이려 한다.
의사결정나무 분류
의사결정나무 분류는 특징에 관한 조건을 순서대로 검사해 표본을 가지로 나누고, 마지막 잎에서 범주를 예측하는 방법이다. 수치 특징에 대한 문턱값 같은 분할을 반복해 입력 공간을 여러 영역으로 나눈다.
가우스 무작위 투영
가우스 무작위 투영은 정규분포에서 뽑은 계수로 선형 변환을 구성해 자료를 다른 차원의 좌표로 옮기는 방법이다. 자료의 주요 축을 학습하는 대신 무작위 행렬을 사용하며, 적절한 차원에서 유한한 표본들의 거리 구조를 근사적으로 보존하는 데 활용한다.
특징 해싱
특징 해싱은 특징 이름에 해시 함수를 적용해 미리 정한 수의 좌표로 변환하는 방법이다. 모든 특징의 사전을 저장하지 않고도 새 이름을 같은 규칙으로 처리할 수 있지만, 서로 다른 특징이 같은 좌표에 들어가는 충돌이 생길 수 있다.
단어 주머니 모형
단어 주머니 모형은 문서를 단어별 출현 횟수로 나타내는 텍스트 표현 방법이다. 각 단어에 좌표를 배정하고 문서마다 횟수를 기록한다. 기본 형태에서는 단어가 놓인 순서를 보존하지 않는다.
TF-IDF
TF-IDF는 문서 안의 단어 빈도에 문서 집합에서의 희소성을 반영한 가중치를 곱하는 표현 방법이다. 여러 문서에 흔히 나타나는 단어와 일부 문서에만 나타나는 단어를 구분하여 검색이나 문서 분류의 특징으로 사용한다.
고속 충전의 원리와 GaN의 역할
고속 충전은 충전기와 기기가 지원하는 전압·전류 및 통신 규격에 따라 더 큰 전력을 전달하는 방식이다. GaN은 전력 변환 회로의 소재 선택이며 고속 충전의 필수 조건은 아니다.
비음수 행렬 분해
비음수 행렬 분해는 원소가 모두 0 이상인 자료 행렬을 두 비음수 행렬의 곱으로 근사하는 방법이다. 각 표본을 음수가 없는 성분들의 조합으로 나타내며, 차원 축소나 주제 탐색 등에 쓰인다.
주성분 분석
주성분 분석은 수치 자료의 퍼짐을 잘 설명하는 서로 직교하는 축을 찾는 방법이다. 일부 축의 좌표만 남겨 차원을 줄일 수 있으며, 원래 특징들을 선형 결합한 새로운 좌표를 만든다.
조정 랜드 지수
조정 랜드 지수는 같은 표본 집합에 대한 두 군집 배정의 일치 정도를 우연에 의한 일치를 보정해 비교하는 지표다. 군집 이름이나 번호가 아니라 어떤 표본들이 함께 묶였는지를 평가한다.
PNG를 PSD로 바꾸기와 레이어 복원
PNG를 포토샵에서 열어 PSD로 저장할 수 있지만, 파일 형식을 바꾸는 것만으로 원래의 글자·도형·배경 레이어가 복원되지는 않는다.
응집형 계층적 군집화
응집형 계층적 군집화는 작은 군집들을 차례로 합쳐 포함 관계의 계층을 만드는 방법이다. 처음에는 각 표본을 독립된 군집으로 두고, 정해진 연결 기준에 따라 병합할 두 군집을 선택한다.
평균 이동 군집화
평균 이동 군집화는 현재 위치 주변의 표본 평균으로 중심 후보를 옮기는 과정을 반복하여 군집을 찾는 방법이다. 가까운 최종 후보들을 정리해 군집 중심을 만들며, 이웃을 정하는 대역폭이 결과에 큰 영향을 준다.
DBSCAN
DBSCAN은 가까이 모여 있는 표본에서 군집을 확장하는 밀도 기반 군집화 방법이다. 군집 수를 미리 지정하지 않으며, 어느 군집에도 연결되지 않는 표본은 잡음으로 구분할 수 있다.
칼린스키 하라바즈 지수
칼린스키 하라바즈 지수는 군집 사이의 퍼짐과 군집 내부의 퍼짐을 비교하는 군집화 평가 지표다. 각 군집의 중심과 전체 중심을 이용하며, 군집 수와 표본 수를 반영한 비율로 점수를 계산한다.
실루엣 계수
실루엣 계수는 한 표본이 자기 군집에 얼마나 가까우며 다른 군집과 얼마나 떨어져 있는지 비교하는 지표다. 표본마다 값을 계산한 뒤 평균을 내어 군집화 전체를 요약할 수 있다. 사용한 거리와 군집 배정에 따라 값이 달라진다.
데이비스 볼딘 지수
데이비스 볼딘 지수는 군집 내부의 퍼짐과 군집 중심 사이 거리를 비교해 군집화를 평가하는 지표다. 각 군집과 가장 비슷한 다른 군집의 비율을 구한 뒤 평균낸다. 일반적으로 작은 값이 더 조밀하고 분리된 구성을 나타낸다.
K 평균 군집화
K 평균 군집화는 자료를 K개 집단으로 나누고 각 집단의 중심까지의 제곱거리 합을 줄이려는 방법이다. 대표적인 반복 방식은 가까운 중심에 표본을 배정하고 그 집단의 평균으로 중심을 갱신한다. 군집 번호 자체에는 크기나 순서 의미가 없다.
검증 곡선
검증 곡선은 모델의 한 설정값을 바꾸면서 훈련 점수와 검증 점수를 비교하는 그림이다. 예를 들어 정칙화 강도나 다항 차수를 가로축으로 사용할 수 있다. 훈련 자료 수를 바꾸는 학습 곡선과는 다른 실험이다.
학습 곡선 (기계 학습)
학습 곡선은 학습 진행이나 자료 규모에 따른 모델 성능의 변화를 그린 그림이다. 기계 학습의 자료 규모 분석에서는 훈련 표본 수를 바꾸어 훈련 점수와 검증 점수를 비교한다. 가로축이 무엇인지 먼저 구분해야 한다.
부분 의존도
부분 의존도는 관심 특징의 값을 바꾸어 넣었을 때 학습된 모델의 평균 예측이 어떻게 변하는지 살피는 방법이다. 다른 특징은 기준 자료의 값들을 사용해 평균낸다. 모델의 반응을 요약하며 실제 개입의 인과 효과와는 구별된다.
순열 중요도
순열 중요도는 학습된 모델에서 한 특징의 값을 표본 사이에 섞었을 때 평가 점수가 얼마나 달라지는지 보는 방법이다. 특정 모델이 해당 특징에 의존하는 정도를 살피는 데 사용한다. 자료 자체의 인과적 중요도를 직접 측정하는 값은 아니다.
무작위 하이퍼파라미터 탐색
무작위 하이퍼파라미터 탐색은 미리 정한 후보 목록이나 확률분포에서 모델 설정을 뽑아 평가하는 방법이다. 모든 격자 조합을 검사하는 대신 정해 둔 횟수만큼 후보를 살필 수 있다. 무엇을 어떤 분포로 뽑는지가 탐색의 중요한 부분이다.
격자 탐색
격자 탐색은 설정별 후보값을 정하고 그 조합을 차례로 평가하는 탐색 방법이다. 기계 학습에서는 정칙화 강도나 모델 깊이 같은 하이퍼파라미터를 고를 때 사용한다. 정해 둔 후보 집합을 살피는 것이지 연속적인 모든 값을 검사하는 것은 아니다.
중첩 교차 검증
중첩 교차 검증은 설정을 고르는 내부 평가와 선택 절차의 성능을 보는 외부 평가를 나누는 방법이다. 하이퍼파라미터를 같은 점수로 고르고 그 점수를 최종 성능으로 보고할 때 생길 수 있는 낙관적 평가를 줄이려 한다.
층화 교차 검증
층화 교차 검증은 분류 자료를 나눌 때 각 범주의 비율이 검증 구간들에서 비슷하게 유지되도록 하는 방법이다. 범주가 한쪽 분할에 치우치는 문제를 줄이려는 구성이다. 집단이나 시간 순서를 보존하는 조건과는 다르다.
시계열 교차 검증
시계열 교차 검증은 시간 순서가 있는 자료에서 과거로 학습하고 그 뒤 구간으로 평가하는 분할 방법이다. 임의로 섞은 교차 검증과 달리 예측 시점에 이용 가능한 정보의 순서를 보존하려 한다. 훈련 창을 확장하거나 일정 길이로 유지할 수 있다.
그룹 교차 검증
그룹 교차 검증은 같은 집단에 속한 표본을 훈련과 검증에 나누어 넣지 않도록 하는 평가 방법이다. 같은 장치나 원본 자료에서 나온 관측처럼 서로 관련된 표본이 있을 때 사용할 수 있다. 새로운 집단에 대한 일반화를 살피는 데 도움이 된다.
테트라포드의 소파 원리
테트라포드는 블록 사이의 빈틈과 거친 표면에서 파랑 에너지를 줄이고, 자체 무게와 블록 사이의 맞물림으로 방파제 피복층을 안정시킨다. 파도에 영구적으로 손상되지 않는 구조물은 아니다.
타깃 인코딩
타깃 인코딩은 범주형 특징을 그 범주의 목표값 통계로 바꾸는 방법이다. 회귀에서는 목표값 평균, 이진 분류에서는 양성 비율을 사용할 수 있다. 정답 정보를 이용하므로 학습 자료를 변환할 때 누출을 막는 절차가 중요하다.
분산 기반 특징 선택
분산 기반 특징 선택은 훈련 자료에서 변동이 작은 특징을 제외하는 전처리 방법이다. 가장 간단한 구성은 모든 표본에서 값이 같은 상수 특징을 제거한다. 목표값과의 관계를 직접 평가하는 방식은 아니다.