AI 분류(Classification) 모델

AI 분류(Classification) 모델은 데이터를 미리 정의된 여러 개의 범주(Category) 중 하나로 나누는 지도 학습(Supervised Learning)의 대표적인 방식입니다.

쉽게 말해, 컴퓨터가 "이 사진은 고양이인가, 개인가?" 혹은 "이 메일은 스팸인가, 정상인가?"를 판단하도록 만드는 기술입니다.

---

1. 분류 모델의 핵심 개념

분류 모델은 데이터의 특징(Feature)을 분석하여 **결정 경계(Decision Boundary)**를 학습합니다.

• 이진 분류 (Binary Classification): 데이터를 두 가지 중 하나로 분류합니다. (예: 예/아니오, 합격/불합격, 스팸/정상)
• 다중 분류 (Multi-class Classification): 세 개 이상의 범주 중 하나로 분류합니다. (예: 숫자 0~9 인식, 꽃 종류 판별)

---

2. 주요 모델 종류

① 로지스틱 회귀 (Logistic Regression)

이름은 회귀지만 실제로는 이진 분류에 주로 쓰입니다. 데이터가 특정 클래스에 속할 확률을 0과 1 사이의 값으로 계산합니다.

• 특징: 구현이 쉽고 계산이 빨라 베이스라인 모델로 자주 쓰입니다.

② 결정 트리 (Decision Tree)

스무고개처럼 데이터의 특징에 따라 질문을 던져가며 데이터를 분류합니다.

• 특징: 분류 과정이 매우 직관적이고 사람이 이해하기 쉽지만, 나무가 너무 깊어지면 과적합(Overfitting)이 발생하기 쉽습니다.

③ 서포트 벡터 머신 (SVM)

데이터 그룹 사이의 거리를 최대화하는 **최적의 경계선(Hyperplane)**을 찾는 방식입니다.

• 특징: 복잡한 경계도 잘 찾아내며, 적은 양의 데이터로도 좋은 성능을 내는 경우가 많습니다.

④ 랜덤 포레스트 (Random Forest)

여러 개의 결정 트리를 만들고, 각 나무의 결과값을 투표(Ensemble)하여 최종 결정을 내립니다.

• 특징: 결정 트리의 단점인 과적합을 방지하고 매우 안정적인 성능을 보입니다.

⑤ KNN (K-Nearest Neighbors)

새로운 데이터가 들어왔을 때 가장 가까운 이웃 K개가 무엇인지 보고 다수결로 결정하는 방식입니다.

• 특징: 단순하지만 데이터 양이 많아지면 계산 속도가 느려집니다.

⑥ 인공신경망 / 딥러닝 (ANN, CNN 등)

앞서 설명한 것처럼 층을 깊게 쌓아 매우 복잡한 데이터(이미지, 음성 등)를 분류합니다.

• 특징: 현대 AI 기술의 핵심이며, 데이터가 많을수록 압도적인 정확도를 자랑합니다.

---

3. 분류 모델의 성능 평가

모델이 얼마나 잘 분류하는지는 단순히 '맞았다/틀렸다'만 보는 것이 아니라 다양한 지표를 활용합니다.

• 정확도 (Accuracy): 전체 중 맞게 예측한 비율.
• 정밀도 (Precision): 모델이 '정답'이라고 한 것 중 진짜 정답인 비율.
• 재현율 (Recall): 실제 정답인 것들 중에서 모델이 정답으로 맞춘 비율.

예시: 암 진단의 경우, 실제 환자를 놓치면 안 되기 때문에 **재현율(Recall)**이 무엇보다 중요합니다.