파이썬 라이브러리를 활용한 머신러닝(번역개정판): 사이킷런 핵심 개발자가 쓴 머신러닝과 데이터 과학 실무서

2

장

지도 학습

139

5

)하는 다항식 커널이 있고 가우시안

Gaussian

커널로도 불리우는

RBF

radial

basis

function

커널이 있습

니다. 가우시안 커널은 차원이 무한한 특성 공간에 매핑하는 것으로, 설명하기가 좀 더 어렵습

니다. 가우시안 커널은 모든 차수의 모든 다항식을 고려한다고 이해하면 좋습니다. 하지만 특

성의 중요도는 고차항이 될수록 줄어듭니다.

55

실제로는 커널

SVM

이면의 수학적인 이론은 중요하지 않지만,

RBF

커널을 사용한

SVM

이 결

정을 만드는 방법은 비교적 쉽게 요약할 수 있습니다. 다음 절에서 이를 살펴보겠습니다.

SVM

이해하기

학습이 진행되는 동안

SVM

은 각 훈련 데이터 포인트가 두 클래스 사이의 결정 경계를 구분하

는 데 얼마나 중요한지를 배우게 됩니다. 일반적으로 훈련 데이터의 일부만 결정 경계를 만드

는 데 영향을 줍니다. 바로 두 클래스 사이의 경계에 위치한 데이터 포인트들입니다. 이런 데이

터 포인트를

서포트 벡터

support

vector

라 하며, 여기서 서포트 벡터 머신이란 이름이 유래했습니다.

새로운 데이터 포인트에 대해 예측하려면 각 서포트 벡터와의 거리를 측정합니다. 분류 결정은

서포트 벡터까지의 거리에 기반하며 서포트 벡터의 중요도는 훈련 과정에서 학습합니다 (

SVC

객체의

dual

_

coef

_ 속성에 ...