지도 학습·비지도 학습·강화 학습의 차이: 데이터·정답 제공 방식·목적·기법·예 비교
머신러닝은 데이터로부터 배울 때 무엇을 단서로 삼느냐에 따라 크게 3가지로 나뉩니다. 지도 학습은 입력과 정답(레이블)의 쌍을 주고, 입력에서 정답을 예측하는 모델을 학습합니다. 비지도 학습은 정답이 없는 데이터만으로 비슷한 것끼리의 묶음이나, 데이터를 적은 변수로 나타내는 구조를 찾습니다. 강화 학습은 에이전트(학습하는 주체)가 환경 속에서 행동을 고르고, 그 결과로 얻는 보상의 합계가 커지는 행동 선택 방법(정책)을 시행착오를 통해 학습합니다. 정답을 준비할 수 있고 예측하고 싶다면 지도 학습, 정답이 없고 데이터의 구조를 알고 싶다면 비지도 학습, 일련의 행동의 좋고 나쁨을 결과로부터 배우게 하고 싶다면 강화 학습이라는 것이 기본적인 선택 기준입니다.
| 비교 항목 | 지도 학습 | 비지도 학습 | 강화 학습 |
|---|---|---|---|
| 학습에 쓰는 데이터 | 입력과 정답(레이블)의 쌍 | 정답이 없는 입력 데이터만 | 환경과 주고받으며 얻는 상태·행동·보상의 기록. 미리 준비하는 것이 아니라 행동하면서 모은다 |
| 정답 제공 방식 | 입력마다 올바른 출력이 주어진다 | 주어지지 않는다 | 행동마다의 정답은 주어지지 않는다. 보상이라는 좋고 나쁨의 평가만이 늦게 얻어지는 경우도 많다 |
| 학습 목적 | 새로운 입력에 대한 출력을 올바르게 예측한다 | 데이터 속의 묶음이나 구조를 찾는다 | 앞으로 받을 보상의 합계를 크게 하는 정책을 찾는다 |
| 주요 과제 | 회귀(수치를 예측)와 분류(클래스를 예측) | 클러스터링, 차원 축소, 이상 탐지 | 일련의 행동 선택(기계의 제어, 게임의 수, 순서 결정 등) |
| 대표적인 기법 | 선형 회귀, 로지스틱 회귀, 결정 트리, 서포트 벡터 머신, 신경망 | k-평균 알고리즘, 계층적 클러스터링, 주성분 분석(PCA) | Q 러닝, 정책 경사법 |
| 평가 방법 | 따로 떼어 둔 테스트용 데이터로 정확도, 정밀도와 재현율, 평균 제곱 오차 등을 써서 정답과 비교해 평가할 수 있다 | 정답이 없어 평가하기 어렵다. 묶음의 좋고 나쁨을 나타내는 지표나, 사람이 보고 의미가 있는지로 판단한다 | 얻은 보상의 합계(누적 보상)로 평가한다 |
| 어려운 점 | 정답 레이블을 준비하는 데 수고와 비용이 든다. 과적합에 주의가 필요하다 | 결과의 좋고 나쁨을 판단하기 어렵고, 찾아낸 묶음의 의미는 사람이 해석해야 한다 | 많은 시행착오가 필요하기 쉽다. 실물로 시험하면 위험과 비용이 크므로 시뮬레이션을 쓰는 경우가 많다. 보상을 정하는 방법도 어렵다 |
| 활용 예 | 스팸 메일 판정, 이미지 인식, 수요와 가격 예측, 장치의 고장 예측 | 고객 그룹 분류, 데이터 시각화와 학습의 전처리, 부정 거래나 장치 이상의 탐지 | 바둑 같은 게임, 로봇 제어, 언어 모델의 출력을 사람의 평가에 맞추는 조정 |
수치는 대략적인 자릿수 기준이며, 공정 세대와 제품에 따라 달라져요.