금융 전략을 위한 머신러닝: 19가지 사례를 통해 익히는 금융 전략, 머신러닝, 데이터 과학

70

2

부

지도 학습

반면에 분류 기반 알고리즘은 금융 전반에 걸쳐 분류적 결과를 도출하거나 예측하는 데 사용되

어 왔다. 가령 사기 감지, 채무 불이행 예측, 신용 점수, 자산 가치의 동향 예측, 매수/매도 추

천 등이다. 이외에 포트폴리오 관리, 가치 산정에 분류형 지도 학습이 활용된 사례가 많다.

지도 학습의 회귀형과 분류형 실전 문제는

5

장과

6

장에서 자세히 다룬다.

지도 학습 모델은 파이썬과 라이브러리를 이용해 단 몇 줄의 코드로도 쉽게 구현할 수 있다. 라

이브러리 일부는

2

장에서 소개했다. 사이킷런, 케라스와 같은 머신러닝 라이브러리로 주어진

예측 모델 데이터셋에 대해 다른 머신러닝 모델을 간단히 적합화할 수 있다.

이 장에서는 지도 학습 모델의 상위 개념을 소개한다. 각 주제에 대한 심화된 내용은 『핸즈온

머신러닝 (

2

판)』(한빛미디어,

2019

)을 참고한다.

이 장에서 다루는 주제는 다음과 같다.

●

회귀 및 분류 포함 지도 학습 모델의 기본 개념

●

파이썬으로 다양한 지도 학습 모델을 구현하는 방법

●

격자 탐색을 이용해 모델의 최적 매개변수를 찾고 모델을 튜닝하는 방법

●

과적합 대비 과소적합, 편향 대비 변동

●

회귀 및 분류 앙상블 모델, 신경망 및 딥러닝 모델을 사용하는 방법

●

모델 성능과 그 외 요소를 고려해 모델을 선택하는 방법

●

분류, 회귀 모델 평가

●

교차 검증 수행 방법

4.1

지도 학습 모델: 개념

분류 예측 모델링 문제는 회귀 예측 모델링 문제와 다르다. 분류는 이산형 참값(레이블 )을 예

측하는 ...