[머신러닝] 지도학습과 비지도학습의 구조적 차이

머신러닝을 설명할 때 가장 먼저 등장하는 구분이 있습니다. 지난번 글에도 등장했던,,,! 바로 지도학습과 비지도학습입니다.

이 구분은 단순한 이론적 분류가 아니라 문제 정의 단계에서 가장 먼저 결정해야 할 요소입니다. 라벨이 존재하는지 여부에 따라 모델의 학습 방식과 평가 기준이 완전히 달라지기 때문입니다. 오늘은 이 두 가지 학습 방식의 구조적 차이를 정리해보겠습니다.

 

 

 

1. 지도학습 (Supervised Learning)

지도학습은 정답(라벨)이 있는 데이터를 기반으로 학습합니다. 입력(X)과 출력(Y)이 명확히 정의되어 있으며 모델은 입력과 출력 사이의 관계를 학습합니다.

 

구조는 다음과 같습니다.

입력 데이터(X) + 정답(Y) → 모델 학습
새로운 입력(X) → 예측 결과(Ŷ)

 

 

1.1 지도학습의 유형

지도학습은 크게 두 가지로 나뉩니다.

 

① 회귀 (Regression)

연속적인 값을 예측하는 문제입니다.
예: 매출 예측, 가격 예측, 수요 예측

대표 모델:

• Linear Regression
• Ridge / Lasso
• Random Forest Regressor
• Gradient Boosting Regressor

② 분류 (Classification)

범주형 값을 예측하는 문제입니다.
예: 스팸 여부, 정상/이상 구분, 감정 분류

대표 모델:

• Logistic Regression
• Decision Tree
• Random Forest
• XGBoost / LightGBM

 

1.2 지도학습의 특징

• 명확한 평가 지표 존재 (MSE, Accuracy, F1 등)
• 성능 비교가 상대적으로 명확
• 라벨 품질이 모델 성능에 직접적인 영향

실무에서는 데이터가 충분하고 라벨 기준이 명확할 때 지도학습이 가장 안정적인 선택이 됩니다.

 

2. 비지도학습 (Unsupervised Learning)

비지도학습은 정답(라벨)이 없는 데이터를 학습합니다. 모델은 데이터 내부의 구조나 패턴을 스스로 찾습니다.

구조는 다음과 같습니다.

입력 데이터(X) → 패턴 / 군집 / 이상치 탐색

 

2.1 비지도학습의 유형

① 군집화 (Clustering)

데이터를 유사한 그룹으로 묶는 방법입니다.

대표 모델:

• K-Means
• Hierarchical Clustering
• DBSCAN
• Gaussian Mixture Model

 

② 차원 축소 (Dimensionality Reduction)

데이터의 주요 특징을 유지하면서
차원을 줄이는 방법입니다.

대표 모델:

• PCA
• t-SNE
• UMAP

2.2 비지도학습의 특징

• 명확한 정답이 없음
• 평가 기준이 상대적으로 모호
• 탐색적 분석(EDA)과 밀접하게 연결

비지도학습은 라벨을 만들기 위한 전 단계로 활용되기도 합니다.

 

구분	지도학습	비지도학습
라벨 존재	있음	없음
목표	예측 정확도 향상	데이터 구조 파악
평가 방식	명확한 지표 존재	상대적으로 모호
활용 시점	문제 정의 후	문제 탐색 단계

 

3. 문제 정의 단계에서 판단 기준

문제를 정의할 때 가장 먼저 점검해야 할 질문은 다음입니다.

• 예측해야 할 명확한 결과값이 존재하는가?
• 라벨을 신뢰할 수 있는가?
• 라벨을 만드는 것이 가능한가?

라벨이 존재하고 신뢰 가능하다면 지도학습이 적합합니다.

라벨이 없고 데이터 구조를 먼저 이해해야 한다면 비지도학습이 출발점이 됩니다.

 

정리

지도학습과 비지도학습의 차이는 단순한 이론 구분이 아닙니다.

• 라벨의 존재 여부
• 평가 방식의 명확성
• 문제 해결 단계

이 세 가지가 핵심 차이입니다. 문제를 정의할 때 먼저 학습 방식부터 명확히 구분하는 것이 모델 선택보다 중요한 출발점이 됩니다.