핸즈온 비지도 학습

297

8

장

핸즈온 오토인코더

지금까지 실험한 결과를 더 개선할 수 있는지 확인하기 위해 노드 수, 계층, 희소 정도, 드롭아

웃 비율, 활성화 함수를 사용해 더 다양하게 실험해볼 수 있습니다.

8.13

마치며

이 장에서는 신경망 기반의 비지도 학습 사기 탐지 솔루션을 개발하기 위해 앞부분에서 다뤘던

신용카드 사기 탐지 문제를 다시 살펴봤습니다.

지금까지 오토인코더를 위한 최적의 아키텍처를 찾기 위해 다양한 유형의 오토인코더를 실험

했습니다. 단일 또는 몇 개의 은닉층을 사용해 완전, 과소완전, 과대완전 오토인코더를 시도했

으며, 선형 및 비선형 활성화 함수와 두 가지 주요 정규화 유형인 희소 및 드롭아웃을 적용해봤

습니다.

그 결과, 원본 신용카드 데이터셋에서는 선형 활성화 함수로 구성된 매우 단순한

2

-계층 과소

완전 신경망이 가장 잘 작동한다는 걸 알아냈습니다. 하지만 추가로 신용카드 데이터셋의 노이

즈를 해결하기 위해 선형 활성화 함수, 드롭아웃으로 구성된 희소

2

-계층 과대완전 오토인코

더가 필요했습니다.

이 과정에서 시행 착오를 거치면서 많은 실험을 했습니다. 각 실험마다 여러 하이퍼파라미터를

조정하고 그 결과를 이전의 반복 실행 결과와 비교했습니다. 물론 이보다 더 나은 오토인코더

기반 사기 탐지 솔루션이 존재할 수 있습니다. 이제 여러분이 직접 실험하며 발견할 수 있을 겁

니다.

지금까지 지도 학습과 비지도 학습을 별개의 고유한 접근 방식으로 구분해 살펴봤습니다.

9

장

에서는 지도 학습과 비지도 학습을 함께 사용해 각 개별 접근 방식보다 ...