예측 모델과 분류 모델

예측 모델과 분류 모델은 머신러닝에서 중요한 두 가지 방식입니다. 각각의 개념을 정리하면 다음과 같습니다.

예측 모델 (Regression Model)

• 대용량 데이터를 분석하여 패턴을 파악하고 미래를 예측하는 데 사용됩니다.
• 연속형(숫자) 데이터를 다루며, 특정 입력값에 대한 연속적인 결과값을 예측합니다.
• 주요 알고리즘:
  • 선형 회귀(Linear Regression)
  • 다항 회귀(Polynomial Regression)
  • 결정 트리 회귀(Decision Tree Regression)
  • 랜덤 포레스트 회귀(Random Forest Regression)
  • 서포트 벡터 회귀(SVR)
  • 신경망 기반 회귀(ANN, CNN, RNN)
• 예제:
  • 주식 시장 가격 예측
  • 기온, 강수량 등의 기상 데이터 예측
  • 제품 판매량 예측
  • 환자의 혈압, 혈당 수치 예측

---

분류 모델 (Classification Model)

• 데이터를 특정한 그룹(범주)으로 분류하는 데 사용됩니다.
• 범주형 데이터(정해진 클래스, 라벨)를 다루며, 결과값이 이산적(Discrete)입니다.
• 주요 알고리즘:
  • 로지스틱 회귀(Logistic Regression)
  • 결정 트리(Decision Tree)
  • 랜덤 포레스트(Random Forest)
  • 서포트 벡터 머신(SVM)
  • K-최근접 이웃(KNN)
  • 인공신경망(ANN, CNN, RNN)
• 예제:
  • 이메일이 스팸인지 아닌지 분류
  • 질병 여부 예측 (암 진단: 양성/음성)
  • 고객이 이탈할지 여부 예측
  • 자전거 헬멧 착용 여부에 따른 사고 분류

차이점 정리

구분 예측 모델 (Regression) 분류 모델 (Classification)

결과값	연속형 (숫자)	이산형 (범주)
예제	매출 예측, 주가 예측	암 진단, 고객 이탈 여부
알고리즘	선형 회귀, 랜덤 포레스트 회귀	로지스틱 회귀, SVM, KNN

 

어떤 모델을 사용할지는 데이터의 특성과 목표에 따라 결정됩니다.