문제 최종 검수

선택지1

선택지2

선택지3

선택지4

정답

개념 난이도 / 선택지 난이도 / 최종 난이도

키워드

해설

비기봇 해설

1. 선택

키워드

해설

정답은 1번입니다.

서포트 벡터 머신(SVM)은 주로 이진 분류 문제에 사용되는 지도학습 모델로, 두 클래스 간의 경계인 초평면을 찾는 데 중점을 둡니다. SVM은 마진 최대화를 통해 일반화 성능을 높이며, 초평면에 가장 가까운 데이터 포인트인 서포트 벡터를 이용해 경계를 결정합니다. 하지만 모든 데이터가 선형적으로 구분되지 않는 경우가 많기 때문에, SVM은 비선형 분류 문제를 해결하기 위해 데이터를 고차원 공간으로 변환하는 기법을 사용합니다. 이때 사용하는 것이 바로 커널 함수입니다. 커널 함수는 원래의 저차원 데이터 공간에서 직접 계산하지 않고도 고차원 특성 공간에서 내적을 계산할 수 있게 하여, 비선형 문제를 선형 문제로 변환하는 역할을 합니다. 따라서 비선형 분류 문제를 다루기 위한 핵심 개념은 커널 함수입니다.

1. 커널함수
: 커널 함수는 비선형 분류 문제를 해결하기 위해 데이터를 고차원 특성 공간으로 매핑하는 데 사용되는 함수입니다. 이를 통해 원래 공간에서 선형적으로 분리되지 않는 데이터를 고차원 공간에서는 선형적으로 분리할 수 있게 만들어 줍니다. 따라서 비선형 문제를 다루는 SVM에서 가장 중요한 개념입니다.

2. 서포트 벡터
: 서포트 벡터는 결정 경계인 초평면에 가장 가까이 위치한 데이터 포인트를 의미하며, 초평면의 위치와 방향을 결정하는 핵심 역할을 합니다. 하지만 이것은 분류 경계 설정과 관련된 개념이지, 데이터를 고차원 공간으로 변환하는 개념은 아닙니다.

3. 마진 최대화
: 마진 최대화는 SVM이 분류 경계를 설정할 때 두 클래스 간의 간격(마진)을 최대화하여 일반화 성능을 높이는 원리입니다. 이는 모델의 성능 향상과 관련된 개념이지만, 비선형 문제를 고차원 공간으로 변환하는 역할과는 직접적인 관련이 없습니다.

4. 하드 마진
: 하드 마진은 데이터가 완벽하게 선형 분리될 때 사용하는 SVM의 한 형태로, 모든 데이터가 초평면과 마진 사이에 위치하도록 하는 제약 조건입니다. 이는 선형 분류 문제에 적용되며, 비선형 분류 문제를 다루기 위한 고차원 변환과는 관련이 없습니다.

서포트 벡터 머신에서 비선형 분류 문제를 해결하기 위해 데이터를 고차원 특성 공간으로 대응시키는 핵심 개념은 커널 함수입니다. 커널 함수는 원래 공간에서 계산하기 어려운 고차원 내적을 효율적으로 계산하여 비선형 문제를 선형 문제로 변환합니다. 반면 서포트 벡터, 마진 최대화, 하드 마진은 SVM의 다른 중요한 개념이나, 비선형 분류를 위한 고차원 변환과 직접적인 관련은 없습니다.

따라서 정답은 '1. 커널함수' 입니다.

2. 선택

키워드

해설

서포트 벡터 머신(SVM)은 주로 선형 분류 문제에 사용되지만, 실제 데이터는 종종 비선형적으로 분포되어 있습니다. 이때 SVM은 데이터를 고차원 특성 공간으로 변환하여 비선형 문제를 선형 문제로 바꾸는 방법을 사용합니다. 이 변환을 가능하게 하는 것이 바로 커널 함수입니다. 커널 함수는 원래의 저차원 공간에서 직접 계산하지 않고도 고차원 공간에서의 내적을 효율적으로 계산할 수 있도록 도와줍니다. 반면, 서포트 벡터는 결정 경계에 가장 가까운 데이터 포인트를 의미하며, 마진 최대화는 분류기의 일반화 성능을 높이기 위해 결정 경계와 가장 가까운 점들과의 거리를 최대화하는 원리입니다. 하드 마진은 데이터가 완벽히 선형 분리될 때 사용하는 방법으로, 비선형 분류 문제에는 적합하지 않습니다.

1. 커널함수
커널 함수는 비선형 분류 문제를 다루기 위해 데이터를 고차원 특성 공간으로 매핑하는 데 사용됩니다. 이 함수는 원래 공간에서 계산하기 어려운 고차원 내적을 효율적으로 계산할 수 있게 하여, 비선형 문제를 선형 문제로 변환하는 핵심 개념입니다. 따라서 비선형 SVM에서 가장 중요한 역할을 합니다.

2. 서포트 벡터
서포트 벡터는 결정 경계에 가장 가까운 데이터 포인트를 의미하며, 이 점들이 결정 경계의 위치를 결정합니다. 그러나 서포트 벡터 자체가 데이터를 고차원 공간으로 매핑하는 역할을 하지는 않습니다.

3. 마진 최대화
마진 최대화는 SVM의 기본 원리 중 하나로, 결정 경계와 가장 가까운 데이터 포인트 사이의 거리를 최대화하여 일반화 성능을 높이는 방법입니다. 하지만 이것은 고차원 매핑과 직접적인 관련은 없습니다.

4. 하드 마진
하드 마진은 데이터가 완벽하게 선형 분리될 때 사용하는 방법으로, 모든 데이터가 결정 경계에서 일정 거리 이상 떨어져 있어야 합니다. 비선형 분류 문제를 다루기 위한 방법은 아니므로 적절하지 않습니다.

비선형 분류 문제를 다루기 위해 SVM은 데이터를 고차원 특성 공간으로 매핑하는데, 이때 사용하는 핵심 개념이 커널 함수입니다. 커널 함수는 복잡한 비선형 문제를 고차원 공간에서 선형 문제로 변환하여 해결할 수 있게 합니다. 반면, 서포트 벡터는 결정 경계에 가장 가까운 점들이고, 마진 최대화는 결정 경계와 데이터 간 거리를 최대화하는 원리이며, 하드 마진은 선형 분리에만 적용되는 개념입니다. 따라서 비선형 분류 문제 해결에 가장 적절한 개념은 커널 함수입니다.

따라서 정답은 '1. 커널함수' 입니다.

3. 선택

키워드

해설

서포트 벡터 머신(SVM)은 주로 이진 분류 문제에 사용되는 지도학습 모델로, 데이터를 분류하는 결정 경계인 초평면을 찾는 데 중점을 둡니다. 선형적으로 구분 가능한 데이터에 대해서는 마진을 최대화하는 초평면을 찾아 분류하지만, 실제 데이터는 종종 선형적으로 구분되지 않는 경우가 많습니다. 이때 SVM은 커널함수라는 기법을 사용하여 원래의 저차원 공간 데이터를 고차원 특성 공간으로 변환함으로써 비선형 분류 문제를 해결합니다. 커널함수는 데이터를 명시적으로 고차원 공간으로 매핑하지 않고도 고차원 공간에서의 내적을 계산하여 효율적으로 비선형 경계를 찾을 수 있게 합니다. 따라서 비선형 분류 문제에 대응하는 핵심 개념은 커널함수입니다. 반면, 서포트 벡터는 결정 경계에 가장 가까운 데이터 포인트를 의미하며, 마진 최대화는 결정 경계와 서포트 벡터 사이의 거리를 최대화하는 원리입니다. 하드 마진은 오류 없이 완벽하게 분류하는 경우를 의미하지만, 비선형 문제 해결과 직접적인 관련은 없습니다.

1. 커널함수
커널함수는 SVM에서 비선형 분류 문제를 다루기 위해 데이터를 고차원 특성 공간으로 매핑하는 데 사용되는 핵심 개념입니다. 이를 통해 원래의 공간에서 선형적으로 구분할 수 없는 데이터를 고차원 공간에서는 선형적으로 구분할 수 있게 만들어 비선형 문제를 해결합니다.

2. 서포트 벡터
서포트 벡터는 결정 초평면에 가장 가까운 데이터 포인트로, 분류 경계를 결정하는 데 중요한 역할을 합니다. 하지만 서포트 벡터 자체는 데이터를 고차원 공간으로 매핑하는 개념이 아니므로 비선형 분류 문제 해결과 직접적인 관련은 없습니다.

3. 마진 최대화
마진 최대화는 SVM이 결정 초평면과 서포트 벡터 사이의 거리를 최대화하여 일반화 성능을 높이는 원리입니다. 이는 선형 분류의 핵심 원리이나, 비선형 분류 문제를 해결하기 위한 데이터 매핑 기법은 아닙니다.

4. 하드 마진
하드 마진은 모든 데이터를 완벽하게 분류하는 경우를 의미하며, 오류를 허용하지 않는 엄격한 분류 방식을 뜻합니다. 비선형 분류 문제를 다루기 위한 고차원 매핑과는 별개의 개념입니다.

SVM에서 비선형 분류 문제를 해결하기 위해서는 데이터를 고차원 특성 공간으로 매핑하는 과정이 필요하며, 이 역할을 하는 것이 바로 커널함수입니다. 커널함수는 원래 공간에서 비선형적으로 분포된 데이터를 고차원 공간에서는 선형적으로 분리할 수 있도록 도와줍니다. 반면, 서포트 벡터는 결정 경계에 가장 가까운 데이터, 마진 최대화는 결정 경계와 서포트 벡터 간의 거리를 최대화하는 원리이며, 하드 마진은 오류 없이 분류하는 방식을 의미하여 비선형 문제 해결과는 직접적인 관련이 없습니다. 따라서 비선형 분류 문제를 다루는 데 가장 적절한 개념은 커널함수입니다.

따라서 정답은 '1. 커널함수' 입니다.

입력 데이터

수정 가능 범위 확인