넘스탯
LEARN · SIMULATE · VERIFY
확률부터 LLM까지 — 데이터 사이언스 자기주도 학습 플랫폼
확률부터 LLM까지 — 데이터 사이언스 자기주도 학습 플랫폼
연관 규칙 학습은 "A를 사면 B도 산다"처럼 항목들이 함께 등장하는 패턴을 지지도·신뢰도·향상도로 찾아내는 비지도학습이고, 이상치 탐지는 정상 패턴에서 크게 벗어난 관측을 찾아내는 비지도학습이다.
각 단계를 클릭하면 해당 학습 내용을 볼 수 있습니다
학습 진도 (완료한 단계)
0%
연관 규칙 학습과 이상치 탐지는 정답 라벨 없이 데이터 스스로가 품고 있는 구조를 찾아내는 비지도학습 작업입니다. 연관 규칙 학습은 "함께 자주 등장하는 항목 조합"을 찾고(대표 사례: 장바구니 분석), 이상치 탐지는 반대로 "다수의 정상 패턴에서 크게 벗어난 소수의 관측"을 찾아냅니다. 하나는 다수의 공통 패턴을, 다른 하나는 소수의 예외를 겨냥한다는 점에서 서로 거울 같은 관계입니다.
편의점 영수증 10장 관찰 (교육용 시나리오): 영수증 10장을 살펴보니 빵이 담긴 영수증이 5장이고, 그 5장 중 4장에 우유도 함께 있었습니다. "빵 → 우유" 규칙의 신뢰도는 4/5 = 80%입니다. 그런데 우유는 원래 전체 10장 중 5장(50%)에 등장하는 인기 상품입니다. 빵을 샀다는 정보가 우유 구매 확률을 50% → 80%로 끌어올렸으므로, 이 규칙은 우연 이상의 연관(향상도 0.8/0.5 = 1.6)이 있다고 볼 수 있습니다. 같은 가게에서 결제 금액을 관찰하니 대부분 3천~2만 원 사이인데, 어느 날 새벽 3시에 90만 원 결제가 한 건 찍혔다면? 다수의 정상 패턴에서 크게 벗어난 이 관측이 바로 이상치 후보이고, 카드사는 이런 거래를 자동으로 걸러 확인 전화를 겁니다.
왼쪽: 장바구니 5건에서 "빵 → 우유" 규칙의 지지도(0.6)와 신뢰도(0.75)를 세는 과정. 오른쪽: 정상 무리에서 멀리 떨어진 관측이 이상치로 감지됩니다.정답: 두 작업 모두 정답 라벨(예: "이 조합은 좋은 규칙", "이 거래는 사기") 없이, 데이터 자체의 등장 빈도와 분포만 이용해 구조를 찾기 때문입니다. 연관 규칙은 항목들이 함께 나타나는 빈도에서 규칙을 만들고, 이상치 탐지는 다수 데이터가 이루는 정상 패턴을 기준 삼아 예외를 찾습니다.
정답: 우유가 원래 거의 모든 장바구니에 들어 있는 인기 상품이라면, 빵과 무관하게 아무 상품 뒤에 "→ 우유"를 붙여도 신뢰도가 높게 나옵니다. 향상도는 "빵을 샀다는 정보가 우유 구매 확률을 원래 확률보다 실제로 끌어올렸는가"를 재는 지표로, 1보다 커야 우연 이상의 연관이 있다고 말할 수 있습니다.
정답: 부정 거래, 설비 고장, 네트워크 침입처럼 "정상 사례가 압도적으로 많고 이상 사례는 매우 드물지만, 놓쳤을 때 비용이 큰" 분야입니다. 이상 사례의 라벨을 충분히 모으기 어렵기 때문에, 라벨 없이 정상 패턴에서의 이탈을 재는 비지도 접근이 자연스럽게 쓰입니다.