기계 학습 편집하기 (부분)

== 주요 기계 학습 모델 ==

=== 지도 학습 ===
{| class="wikitable"
!모델
!주요 용도
!특징
!해석 가능성
!장점
!단점
|-
![[서포트 벡터 머신|SVM]]
|분류, 회귀
|초평면을 통해 데이터 분리
|낮음
|고차원 데이터에서 성능이 우수함
|대규모 데이터에서는 학습 시간이 길어짐
|-
![[K-최근접 이웃|kNN]]
|분류, 회귀
|인접한 데이터 포인트를 통해 분류
|중간
|사전 학습이 필요 없고, 간단하게 구현 가능
|예측 성능이 대체로 떨어지며, 데이터가 많거나 차원이 높으면 계산 비용이 급격히 증가함
|-
![[의사결정 나무]]
|분류, 회귀
|트리 구조로 분기하여 결정
|높음
|사전 데이터 처리가 불필요하며, 비정규화 데이터에 강함
|깊은 트리는 과적합 위험이 있음
|-
![[선형 회귀]]
|회귀
|선형 관계를 가정
|높음
|빠르고 구현이 간단하며 소규모 데이터에 효과적
|선형 관계가 성립되지 않으면 성능이 떨어짐
|-
![[로지스틱 회귀]]
|이진 분류
|선형 모델 기반의 확률적 접근
|높음
|메모리 효율성이 높고, 다중 분류로 확장이 가능
|복잡한 비선형 분류에는 적합하지 않음
|-
![[나이브 베이즈]]
|분류
|특성 간 독립성 가정
|높음
|계산 속도가 빠르고 소규모 데이터에서도 성능이 우수함
|특성 간 독립성 가정이 위반될 경우 예측 성능 저하
|}

=== 비지도 학습 ===
* 군집
* [[차원 축소]]
** [[차원의 저주]]
** [[주성분 분석|주성분 분석(PCA, Principal Component Analysis)]]
** [[독립성분 분석|독립성분 분석(ICA)]]
** [[자기 조직화 지도|자기 조직화 지도(SOM, Self-Organizing Map)]]

=== 강화 학습 ===
* [[Q 러닝]]
* [[은닉 마코프 모델]]
설명	입력하는 내용	문서에 나오는 결과
기울임꼴	''기울인 글씨''	기울인 글씨
굵게	'''굵은 글씨'''	굵은 글씨
굵고 기울인 글씨	'''''굵고 기울인 글씨'''''	*굵고 기울인 글씨*