분류·회귀·군집 기준선

개요

문제에 맞는 단순 모델과 비교 기준을 고른다.

먼저 데이터 분할·특징·전처리의 핵심 개념을 확인하세요.

핵심 개요

분류는 범주를, 회귀는 수치를 예측합니다. 군집은 라벨 없는 자료를 유사성으로 묶습니다. 복잡한 모델 전에 다수 클래스·평균·간단한 규칙 같은 기준선을 만들어 추가 가치가 있는지 비교합니다.

모델에 맞춰 문제를 바꾸지 않습니다. 오차 단위와 실패 비용을 정하고 현장 의사결정에 어떤 변화가 생기는지 확인해야 합니다.

필요한 용어

• 회귀: 연속적인 수치를 예측하는 작업
• 기준선 모델: 간단하고 재현 가능한 비교 출발점

작동 과정

1. 목표 출력이 범주·수치·묶음 중 무엇인지 정합니다.
2. 같은 분할에서 단순 기준선과 후보를 학습합니다.
3. 업무에 맞는 지표와 오류 사례를 비교합니다.

풀이 예제

아래 입력과 기록은 직접 만든 교육용 가상 자료입니다.

입력·조건

배송 시간 정답이 2·4·6일이고 항상 4일이라고 예측합니다.

판단·결과

절대 오차 평균은 (2+0+2)/3=1.33일입니다. 후보 모델은 이 기준선과 비교합니다.

이렇게 판단한 이유

정확도라는 분류 용어만 가져오면 일 단위 오차의 의미를 놓칩니다. 과소·과대 예측 비용도 확인합니다.

흔한 실패와 복구

군집 번호를 실제 정답 라벨처럼 쓰지 않습니다. 군집의 의미와 안정성은 별도 표본에서 검토합니다.

확인 문제

참고 자료

1. Google ML Crash Course  — 학습 방식·회귀·분류·손실·평가의 기초.
2. scikit-learn: Model evaluation  — 분류·회귀의 평가 지표.

자료 확인: 2026-10-21. 사례·문항·실습은 자체 제작했습니다. 외부 서비스 호출과 실제 모델 품질 측정은 학습자가 별도 환경에서 수행합니다.

불량 여부와 생산 수량을 각각 예측하려 합니다. 작업 유형·기준선·평가 지표를 설계하세요.