넘스탯

DATA ANALYTICS & INSIGHTS

확률에서 LLM까지 – 데이터 사이언스 전문 교육 플랫폼

학습 메뉴

도움말

신경망 분류 실습

실제 붓꽃(Iris) 데이터로 신경망을 학습시키고 뉴런 활성값·가중치·순전파 과정을 들여다보세요

원하는 개념·랩·가이드를 검색해보세요

Ctrl K

기계학습 실습 메인

학습이 끝난 신경망 속에는 진짜 숫자들이 흐르고 있습니다

신경망 그림은 어디서나 볼 수 있지만, 그 안에 실제로 어떤 숫자가 흐르는지 보여주는 그림은 드뭅니다. 이 실습의 신경망은 실제 붓꽃(Iris) 측정 데이터(Fisher 1936)로 브라우저에서 진짜 학습되며, 화면의 뉴런 값은 실제 활성값, 연결선 굵기는 실제 가중치, 정확도는 실측값입니다. 지도학습의 마지막 단계이자 딥러닝의 입구입니다.

이 페이지에서 배우고 나면

실제 붓꽃 데이터 150송이로 신경망을 학습시키고 학습/테스트 정확도를 실측으로 확인할 수 있습니다.
학습 중 연결선 굵기(실제 가중치)가 변하는 것을 관찰하며 "학습 = 가중치 갱신"임을 설명할 수 있습니다.
샘플 한 송이가 입력층에서 출력층(softmax 확률)까지 변환되는 순전파를 단계별로 추적할 수 있습니다.

함께 기억할 것:

입력층(특성 4)과 출력층(품종 3)은 데이터가 결정하므로 고정이며, 은닉층 크기·활성화 함수만 바꿀 수 있습니다.
무작위 초기화 때문에 같은 구조도 실행마다 정확도가 조금씩 다릅니다.
150송이 규모의 작은 과제입니다 — 신경망의 원리를 보는 실습이지, 신경망이 이 문제의 최선책이라는 뜻은 아닙니다.

이 신경망은 실제 붓꽃(Iris) 데이터(Fisher 1936, 150송이 실측: 꽃받침·꽃잎의 길이/폭 4개 특성 → 품종 3종)를 브라우저에서 실제로 학습합니다. 정확도·손실·뉴런 값·연결선 굵기는 전부 이 모델의 실측값입니다. 입력층(4)과 출력층(3)은 데이터가 결정하므로 고정이며, 은닉층 크기와 활성화 함수를 바꿔 실험해 보세요.

신경망 구조 설정

Input Layer

4 뉴런 (고정)

꽃받침 길이·폭, 꽃잎 길이·폭 (표준화 값)

Hidden 1

뉴런 수: 8

Hidden 2

뉴런 수: 6

Output Layer

3 뉴런 (고정, softmax)

은닉층 활성화

신경망 구조 시각화

사용 가이드

학습 시작: 붓꽃 학습 데이터 105송이로 실제 역전파 학습을 수행합니다. 에폭마다 실측 정확도·손실이 갱신되고, 연결선이 학습된 가중치로 변해가는 것을 볼 수 있습니다.

순전파 시각화: 테스트 데이터(45송이) 중 한 송이를 골라 실제 활성값이 입력층에서 출력층으로 전파되는 과정을 보여줍니다. 학습 전에 실행하면 무작위 가중치의 엉터리 예측을, 학습 후에는 달라진 예측을 확인할 수 있습니다.

시각화 범례:

전파 중인 층

양수 가중치

음수 가중치

출력층 숫자는 softmax 확률, 은닉층 숫자는 활성 함수 출력의 실제 값입니다.

직접 해보기 — 실습 과제

기본 구조로 학습시켜 테스트 정확도를 기록한 뒤, 은닉층 뉴런 수를 바꿔 재학습하고 정확도 변화를 비교해 보세요.
활성화 함수를 ReLU에서 Sigmoid로 바꿔 학습시키고, 최종 손실과 테스트 정확도의 차이를 확인해 보세요.
학습 완료 후 순전파를 실행해 샘플 한 송이의 품종별 확률 3개를 읽고, 예측 품종과 실제 품종이 일치하는지 확인해 보세요 — 학습 전에 순전파를 먼저 해보면 무작위 가중치의 엉터리 예측과 비교할 수 있습니다.

다음 단계: 신경망의 학습 원리(역전파 한 스텝의 실제 수치)와 구조·용량 실험은 딥러닝 실습실에서 이어집니다.