문제 최종 검수

선택지1

선택지2

선택지3

선택지4

정답

개념 난이도 / 선택지 난이도 / 최종 난이도

키워드

해설

비기봇 해설

1. 선택

키워드

해설

정답은 3번입니다.

서포트 벡터 머신(SVM)은 분류 문제에서 매우 강력한 기계학습 알고리즘입니다. SVM은 데이터를 분류하기 위해 결정 경계(초평면)를 찾는데, 이때 데이터가 선형적으로 분리되지 않는 경우가 많습니다. 이때 커널함수를 사용하면 데이터를 고차원 공간으로 매핑하여 선형 분리가 가능하도록 변환할 수 있습니다. 커널함수는 고차원 공간에서의 내적을 직접 계산하지 않고도 효과적으로 계산할 수 있게 해주어 계산 효율성을 높입니다. 대표적인 커널로는 선형 커널, 다항 커널, RBF 커널 등이 있습니다. 하지만 커널함수는 차원 축소 기법이 아니며, 오히려 고차원 공간으로 매핑하는 역할을 합니다.

1. 커널함수는 비선형 분리 문제를 선형 분리 가능한 형태로 다루는 데 활용될 수 있다.
: 커널함수는 비선형 분리 문제를 고차원 공간으로 매핑하여 선형 분리 가능하도록 도와줍니다. 따라서 비선형 문제를 선형 분리 가능한 형태로 다루는 데 활용될 수 있으므로 옳은 설명입니다.

2. 커널함수를 이용하면 고차원 특성공간에서의 내적 계산을 직접 수행하지 않고도 효과적으로 계산할 수 있다.
: 커널함수는 고차원 특성공간에서의 내적을 직접 계산하지 않고, 커널 트릭을 이용해 효율적으로 계산할 수 있습니다. 이로 인해 계산 비용이 크게 줄어들어 효율적인 학습이 가능하므로 옳은 설명입니다.

3. 커널함수는 고차원 데이터를 저차원 공간으로 단순 축소하기 위한 차원축소 기법이다.
: 커널함수는 고차원 공간으로 데이터를 매핑하는 역할을 하며, 차원 축소를 위한 기법이 아닙니다. 차원 축소 기법은 PCA, t-SNE 등이 해당되므로 이 설명은 옳지 않습니다.

4. 대표적인 커널에는 선형 커널, 다항 커널, RBF 커널 등이 있다.
: 선형 커널, 다항 커널, RBF 커널은 SVM에서 널리 사용되는 대표적인 커널함수들로, 이 설명은 옳습니다.

서포트 벡터 머신에서 커널함수는 비선형 문제를 고차원 공간으로 매핑하여 선형 분리를 가능하게 하고, 고차원 공간에서의 내적 계산을 효율적으로 수행할 수 있게 합니다. 대표적인 커널로는 선형, 다항, RBF 커널이 있습니다. 하지만 커널함수는 차원 축소 기법이 아니므로 3번 설명이 옳지 않습니다.

따라서 정답은 '3. 커널함수는 고차원 데이터를 저차원 공간으로 단순 축소하기 위한 차원축소 기법이다.' 입니다.

2. 선택

키워드

해설

서포트 벡터 머신(SVM)은 데이터를 분류하기 위해 결정 경계인 초평면을 찾는 지도학습 알고리즘입니다. 비선형 분리 문제를 다룰 때는 커널함수를 사용하여 데이터를 고차원 공간으로 매핑함으로써 선형 분리가 가능하도록 변환합니다. 커널함수는 고차원 공간에서의 내적을 직접 계산하지 않고도 계산 효율성을 높이는 역할을 합니다. 대표적인 커널함수로는 선형 커널, 다항 커널, RBF 커널 등이 있으며, 이들은 모두 고차원 특성 공간에서의 내적을 효과적으로 계산하는 방법입니다. 그러나 커널함수는 차원 축소 기법이 아니라, 오히려 데이터를 더 높은 차원으로 변환하는 역할을 하므로 차원축소 기법과는 구분됩니다.

1. 커널함수는 비선형 분리 문제를 선형 분리 가능한 형태로 다루는 데 활용될 수 있다.
커널함수는 비선형 분리 문제를 고차원 공간으로 변환하여 선형 분리가 가능하게 만드는 핵심 도구입니다. 따라서 비선형 문제를 선형 분리 가능한 형태로 다루는 데 활용될 수 있다는 설명은 옳습니다.

2. 커널함수를 이용하면 고차원 특성공간에서의 내적 계산을 직접 수행하지 않고도 효과적으로 계산할 수 있다.
커널함수는 커널 트릭(kernel trick)을 이용하여 고차원 특성 공간에서의 내적 계산을 직접 수행하지 않고도 효과적으로 계산할 수 있습니다. 이로 인해 계산 비용과 메모리 사용량을 줄일 수 있으므로 이 설명도 옳습니다.

3. 커널함수는 고차원 데이터를 저차원 공간으로 단순 축소하기 위한 차원축소 기법이다.
커널함수는 데이터를 고차원 공간으로 매핑하는 역할을 하며, 차원 축소를 위한 기법이 아닙니다. 차원 축소는 주성분 분석(PCA) 등 별도의 기법으로 수행됩니다. 따라서 커널함수가 고차원 데이터를 저차원 공간으로 단순 축소하기 위한 차원축소 기법이라는 설명은 옳지 않습니다.

4. 대표적인 커널에는 선형 커널, 다항 커널, RBF 커널 등이 있다.
대표적인 커널함수로는 선형 커널, 다항 커널, RBF(Radial Basis Function) 커널 등이 있으며, 이들은 SVM에서 널리 사용됩니다. 따라서 이 설명은 옳습니다.

SVM의 커널함수는 비선형 데이터를 고차원 공간으로 변환하여 선형 분리가 가능하도록 하는 역할을 합니다. 따라서 1번과 2번, 4번 선지는 모두 올바른 설명입니다. 반면, 3번 선지는 커널함수를 차원 축소 기법으로 설명하고 있는데, 이는 사실과 다릅니다. 커널함수는 차원 축소가 아니라 고차원으로의 매핑을 수행하므로 3번이 옳지 않은 설명입니다.

따라서 정답은 '3. 커널함수는 고차원 데이터를 저차원 공간으로 단순 축소하기 위한 차원축소 기법이다.' 입니다.

3. 선택

키워드

해설

서포트 벡터 머신(SVM)은 주로 분류와 회귀 문제에 사용되는 지도학습 알고리즘으로, 두 클래스 간의 경계가 되는 초평면을 찾을 때 마진을 최대화하여 일반화 성능을 높입니다. SVM은 선형 분리가 어려운 문제를 해결하기 위해 커널함수를 사용합니다. 커널함수는 데이터를 고차원 공간으로 매핑하여 비선형 문제를 선형 문제처럼 다룰 수 있게 하며, 고차원에서의 내적 계산을 효율적으로 수행할 수 있도록 돕습니다. 하지만 커널함수는 차원 축소 기법이 아니며, 오히려 데이터를 더 높은 차원 공간으로 변환하는 역할을 합니다. 대표적인 커널함수로는 선형 커널, 다항 커널, RBF 커널 등이 있습니다.

1. 커널함수는 비선형 분리 문제를 선형 분리 가능한 형태로 다루는 데 활용될 수 있다.
커널함수는 비선형 분리 문제를 고차원 공간으로 변환하여 선형 분리 가능하게 만드는 역할을 합니다. 따라서 비선형 문제를 선형 분리 가능한 형태로 다루는 데 활용될 수 있다는 설명은 옳습니다.

2. 커널함수를 이용하면 고차원 특성공간에서의 내적 계산을 직접 수행하지 않고도 효과적으로 계산할 수 있다.
커널함수는 고차원 특성 공간에서의 내적 연산을 직접 수행하지 않고도 커널 트릭을 통해 효율적으로 계산할 수 있습니다. 이로 인해 계산 비용과 메모리 사용량을 줄일 수 있으므로 이 설명도 옳습니다.

3. 커널함수는 고차원 데이터를 저차원 공간으로 단순 축소하기 위한 차원축소 기법이다.
커널함수는 데이터를 고차원 공간으로 매핑하는 역할을 하며, 차원 축소를 위한 기법이 아닙니다. 차원 축소 기법은 주로 PCA, t-SNE 등이 해당하며, 커널함수가 고차원 데이터를 저차원으로 단순 축소한다는 설명은 옳지 않습니다.

4. 대표적인 커널에는 선형 커널, 다항 커널, RBF 커널 등이 있다.
선형 커널, 다항 커널, RBF 커널은 SVM에서 널리 사용되는 대표적인 커널함수들로, 이 설명은 정확합니다.

커널함수는 비선형 분리 문제를 고차원 공간에서 선형 분리 가능하게 만들고, 고차원 공간에서의 내적 계산을 효율적으로 수행할 수 있도록 도와줍니다. 대표적인 커널로는 선형, 다항, RBF 커널이 있습니다. 하지만 커널함수는 데이터를 저차원으로 축소하는 차원 축소 기법이 아니므로 3번 설명이 옳지 않습니다.

따라서 정답은 '3. 커널함수는 고차원 데이터를 저차원 공간으로 단순 축소하기 위한 차원축소 기법이다.' 입니다.

입력 데이터

수정 가능 범위 확인