102
9가지 사례로 익히는 고급 스파크 분석 (2판)
4.1
회귀로 돌아와서
통계학이 체계를 갖춘 지 한 세기 이상이 지나고 머신러닝과 데이터 과학이 등장한 오늘날에
도, 주어진 값들로부터 새로운 값을 예측하는 방법으로 ‘회귀 (
https
://
goo
.
gl
/
yFA7xy
)’를 꼽는
다. 심지어 값이 평균에 가까워지거나 실제로 가까워지려는 움직임조차 없을지라도 말이다. 또
한, 회귀 기법은 분류 기법과 연관이 있다(
https
://
goo
.
gl
/
Tq7xfG
). 일반적으로
회귀
는 크기,
수입, 온도와 같은 숫자를 예측하며,
분류
는 ‘스팸 메일’, ‘고양이 사진’과 같은 레이블이나 범주
를 예측하는 데 사용한다.
회귀와 분류는 모두 하나 이상의 값이 주어졌을 때 하나 이상의 값을 예측해낸다. 이를 위해서
학습을 위한 입출력 체계가 구성되어 있어야 하며, 질문과 이에 대한 답변도 제공되어야 한다.
이러한 탓에 회귀와 분류는
지도 학습
Supervised
Learning
(
https
://
goo
.
gl
/
ktFn24
) 유형에 들어간다.
분류와 회귀는 가장 오래되고 가장 잘 연구된 유형의 예측 분석이다. 서포트 벡터 머신
Support
Vector
Machine
, 로지스틱 회귀
Logistic
Regression
, 나이브 베이즈 분류
Naïve
Bayes
, 신경망
Neural
Network
, 딥러
닝
Deep
Learning
과 같은 분석 패키지나 라이브러리에서 자주 접하는 대부분의 알고리즘은 분류와
회귀 기법이다.
3
장의 주제인 추천 엔진도 더 직관적이라는 이유로