[머신러닝]: AI가 학습하는 데이터 구조 이해하기

 

AI가 학습하는 데이터는, 

보통 표의 형태를 가진 데이터의 경우, 엑셀이나 데이터프레임처럼 행(Row)과 열(Column)로 구성되어 있습니다.

이러한 구조에서 각 행과 열은 서로 다른 의미와 역할을 가지고,

머신러닝 모델이 데이터를 이해하고 학습하는 데 중요한 기반이 됩니다.

 

1. 열(Column): 데이터의 속성

열(Column)은 데이터를 구성하는 세로줄로,

같은 종류의 정보를 모아둔 공간이라고 할 수 있어요.

 

 

 

예를 들어 다음과 같은 데이터가 있다고 가정해보겠습니다.

이름, 나이, 귀 모양, 꼬리 길이, 털 색깔 각각이 하나의 Column이 되겠죠.

 

즉, 흔히 우리가 아는 데이터의 속성을 의미합니다.

2. 특징(Feature): AI가 사용하는 정보

특징(Feature)은 AI가 학습에 사용하는 중요한 정보입니다.
쉽게 말해, 문제를 해결하기 위한 단서라고 볼 수 있죠.

 

모든 Column이 Feature가 되는 것은 아닌데요!
예를 들어, 위의 데이터에서 “이름”은 단순 식별 정보일 뿐, AI가 동물의 생김새를 예측을 할때 도움이 되지 않을 수 있습니다.

반면 “귀 모양”, “꼬리 길이”, “털 색깔”은 중요한 Feature가 될 수 있겠죠?

 

정리하자면,

Column은 데이터에 존재하는 모든 속성,

Feature는 그중에서 모델 학습에 실제로 사용하는 속성 이라고 할 수 있습니다.

 

그래서 데이터 분석가는 어떤 Column을 Feature로 사용할지 신중하게 선택해야 하겠죠!🤔

 

3. Target: 예측하려는 목표 값

Target은 머신러닝 모델이 예측하려는 결과 값입니다.

모델은 Feature들을 바탕으로 Target과의 관계를 학습하고,

이후 새로운 데이터가 주어지면 Target을 예측을 하는데요.

 

 

예를 들어,

• Feature: 차량 연식, 주행거리, 브랜드
• Target: 차량 가격

이와 같은 구조로 학습이 이루어질 수 있습니다.

 

Target은 일반적으로 하나의 데이터셋에는 하나의 Target이 있고,

Feature들과 Target 사이에는 일정한 관계(패턴)가 존재합니다.

 

즉, 쉽게 말해 우리가 알고 싶은 최종 목표라고 할 수 있겠죠!😁

 

4. 값(Value): 실제 데이터

값(Value)은 데이터 테이블을 구성하는 개별적인 값 하나하나를 의미합니다.
쉽게, AI가 실제로 학습하는 가장 작은 단위라고 할 수 있어요.

 

값(Value)은 크게 두 가지로 나뉠 수 있는데요,

• 수치형 데이터 (Numerical) - 숫자로 표현되는 값 (예: 키, 몸무게, 가격)
• 범주형 데이터 (Categorical) - 그룹이나 종류를 나타내는 값 (예: 성별, 색상, 등급)

데이터의 값이 정확하고 의미 있어야 모델도 올바르게 학습할 수 있기 때문에, 데이터 전처리 과정이 매우 중요합니다.

 

5. 행(Row): 하나의 데이터 사례

행(Row)은 데이터를 구성하는 가로줄로, 하나의 사례(샘플)를 의미합니다.

 

머신러닝에서는 각 행이 하나의 독립적인 데이터로 취급이 되는데요.

 

행의 특징으로는,

하나의 완전한 정보 세트로, (Feature + Target)가 포함이 되어있고,

각각의 행은 서로 독립적인 사례입니다.

AI 모델은 여러 행을 학습하며 패턴을 발견을 하게 됩니다.

 

또한, 일반적으로 데이터의 행 수가 많을수록 다양한 상황을 학습할 수 있기 때문에,

모델의 성능이 향상될 가능성이 높아집니다.

 

 

 

 

좋은 모델을 만들기 위해서 단순히 데이터를 무조건 많이 집어넣어서 학습을 시키는 것이 아니라,

어떤 데이터를 사용할지, 어떤 Feature를 사용할지, 데이터의 값이 올바른지를

꼼꼼하게 설계하는 것이 매우 중요한 것 같아요.

 

결국  데이터 구조를 얼마나 잘 이해하고 설계하느냐에 따라서

모델의 성능이 일부분 크게 좌우된다고 느꼈습니다.🤔

---