사례기반 vs 모델 기반 머신러닝

머신러닝을 분류하는 또 다른 기준 : 어떻게 일반화하는가?

 

대부분의 머신러닝 목적은 예측을 하는 것.

 

 

사례기반 학습

• 주어진 예제를 통해 학습
• measure of similarity(유사도)를 가지고 사례를 일반화
• 일반화시킨 예제를 가지고 비교해 새로운 것을 예측

 

 

모델 기반 학습

• 다양한 예제들을 통해 모델을 만듬

  

• 예시 모델 : linear model
  

  

  

  
  $Life\;satisfation = \theta_0+\theta_1 \times GDP\;per\;capita$

 

• 모델을 사용하기 전에 먼저 $\theta_0$와 $\theta_1$의 값을 지정해야 함
  어떤 값이 이 모델을 제일 효과적으로 퍼폼하게 할까?
  $\to$ specify performance measure
  • utility function(how good it is) or cost function(how bad it is)
  • 회귀문제에서는 보통 cost function을 사용
    모델의 예측과 트레이닝 데이터 간의 거리를 좁히는 것이 목적
    • 선형회귀알고리즘이 여기서 사용됨
      알고리즘에 예제를 주어서 최적의 파라미터를 찾도록 하는
      $\to$ 모델을 훈련시킨다고 표현

• 이렇게 모델을 찾고나면 OECD 데이터에서는 찾을 수 없는 나라에 대한 삶의 만족도도 예측해볼 수 있음
• 사이프러스의 경우
  $Life\;satisfation = 4.85+ 22,587 \times 4.91 \times 10^{-5} =  5.96$