넘스탯
LEARN · SIMULATE · VERIFY
확률부터 LLM까지, 원리부터 제대로 배우는 자기주도 학습 플랫폼
정답을 알려주며 가르치는 학습
사진마다 '고양이/개' 라벨을 붙여 보여주면, 모델은 그 예시에서 규칙을 배워 새 사진을 분류합니다. 이렇게 입력과 정답의 쌍으로 배우는 것이 지도학습입니다. 아래 실습들에서 대표적인 지도학습 기법을 직접 다뤄보세요.
이 페이지에서 배우고 나면
- 회귀와 분류가 무엇이 다른지 구분할 수 있습니다.
- 로지스틱 회귀 등 대표 알고리즘이 어떻게 예측하는지 직접 볼 수 있습니다.
- 정확도만으로는 부족한 모델 평가의 기준을 이해할 수 있습니다.
예측 먼저 — 실험 전에 답을 정해 보세요
예측 → 실험 → 확인
정답을 몰라도 괜찮습니다 — 먼저 예측을 정해야 시뮬레이션 결과가 기억에 남습니다. 예측을 고른 뒤 아래 시뮬레이션으로 직접 확인하고, 그다음 결과를 열어 보세요.
1. 회귀(Regression)와 분류(Classification)의 차이는?
2. 정답 라벨이 하나도 없는 데이터로 지도학습 모델을 훈련할 수 있을까요?
선형 회귀 실습
연속값 예측의 기본최소제곱법(OLS)으로 직선/평면을 적합. 잔차·R²·다중공선성·정규화(Ridge/Lasso)까지 회귀 분석의 기초.
Linear Regression
OLS
R²
Ridge
Lasso
Gauss (1809), ESL Ch.3★★☆☆☆
로지스틱 회귀 실습
이진 분류의 표준Sigmoid + Cross-Entropy + 경사하강법. 분류 경계 시각화, 학습률·정규화·확률 임계값까지 인터랙티브로.
Logistic Regression
Sigmoid
Cross-Entropy
Berkson (1944), ESL Ch.4★★★☆☆
모델 평가 실습
Confusion Matrix·ROC·PR Curve혼동 행렬·Precision·Recall·F1·ROC·AUC·교차 검증·과적합 방지의 핵심을 인터랙티브로 학습.
Confusion Matrix
ROC
AUC
F1
Cross-Validation
Fawcett (2006), Kohavi (1995)★★★☆☆
AI 튜터에게 물어보기
베타
— 정답 대신 힌트로 유도합니다. 지금 화면의 실험 상태를 알고 답해요.
예: “방금 결과가 이론과 다른데 왜죠?”, “이 값을 올렸는데 왜 반대로 변하죠?”
🧭 어떤 알고리즘을 선택해야 할까?
연속값 예측 → 회귀
집값·매출·온도·점수 등 실수를 예측. 선형 회귀로 시작 → 비선형 패턴이면 다항·트리·신경망.
Linear Regression
Ridge/Lasso
이진 분류 → 로지스틱 회귀
스팸/정상, 양성/음성 등 두 범주 예측. 해석 가능성·확률 출력이 강점. SVM·트리 앙상블로 확장.
Logistic Regression
SVM
다중 분류 → Softmax 회귀
3개 이상의 범주(MNIST 숫자, 이미지 분류). Softmax + Categorical Cross-Entropy 표준 조합.
Softmax
Random Forest
마지막 — 평가 필수
어떤 알고리즘을 쓰든 모델 평가로 검증해야 신뢰할 수 있습니다. 모델 평가 실습실 필수 학습.
Confusion Matrix
ROC
K-Fold
📖 지도학습 종합 학술 자료
- Hastie, Tibshirani, Friedman — Elements of Statistical Learning (Springer 2009) — Ch.3, 4, 7: 회귀·분류·모델 평가
- Bishop — Pattern Recognition and Machine Learning (Springer 2006) — Ch.3, 4: 회귀와 분류 종합
- Géron — Hands-On Machine Learning (O'Reilly 2019): 실무 중심 지도학습 안내
- scikit-learn 문서:
sklearn.linear_model,sklearn.ensemble,sklearn.metrics