인공지능에서의 분류 (1)

 바닥부터 천장까지 책으로 가득 찬 우뚝 솟은 선반이 거대한 도서관의 입구에 서 있는 것을 상상해 보세요. 이 상황에서 책들을 소설, 비소설, 미스터리, 그리고 로맨스의 범주로 분류하려고 하면 이것은 힘든 일처럼 보입니다.

 이제 로봇이 여러분을 위해 이 일을 하도록 훈련시킬 수 있다고 상상해 보세요. 이는 각 범주를 학습하고 전체 도서관의 책들을 정확하고 효율적으로 분류합니다. 인공지능의 분류는 이것을 훨씬 더 복잡하고 큰 규모에서 수행하게 됩니다.

 AI 데이터 분류는 데이터를 미리 정의된 클래스 또는 레이블로 분류하도록 AI 시스템이 훈련되는 과정입니다. 과거 데이터의 패턴으로부터 학습함으로써, AI 분류는 방대한 양의 데이터를 통해 정렬하여 디지털 카오스로부터 질서를 만듭니다.

인공지능에서 사용되는 분류 알고리즘의 종류

 인공지능 분류에는 특정 요구를 충족하고 고유한 과제를 해결하기 위해 설계된 다양한 알고리즘이 있습니다. 적절한 알고리즘은 문제의 성격, 사용 가능한 데이터 유형 및 원하는 결과에 따라 다릅니다. 가장 일반적으로 사용되는 인공지능 분류 유형 중 일부에 대해 더 깊이 알아 보겠습니다.

 

이진분류 (Binary Classification)

 가장 기본적인 것은 이진 분류가 데이터를 두 개의 클래스 중 하나로 정렬하는 것으로 사실상 '예/아니오'를 결정 하는 것입니다. 이진 분류를 스위치를 켜거나 끄거나 하는 것으로 생각해 볼 수 있습니다.

 이진 분류의 가장 일반적인 예 중 하나는 이메일 스팸 필터입니다. 들어오는 이메일은 '스팸' 또는 '스팸이 아닌 것'으로 분류됩니다. 또 다른 예시로는 의료 검사인데, 여기서 환자의 검사 결과는 특정 조건에 대해 '양성' 또는 '음성'으로 분류될 수 있습니다. 금융에서도 신용 카드 거래는 종종 '사기' 또는 '진품'으로 분류되어 금융 사기를 방지하는 데 도움이 됩니다.

 

다중 클래스 분류 (Multiclass Classification)

 분류 체계를 확장하여 2개 이상의 범주를 포함할 때 다중분류로 이동합니다. 이름 자체가 자기설명적으로, '다중'은 다수를 의미하며, 이 경우 여러 범주 또는 클래스 데이터를 분류할 수 있습니다.

 다중 클래스 분류의 전형적인 예시로는 미국 우편 서비스가 있습니다. 우편 번호나 집 번호와 같은 봉투의 손으로 쓴 숫자를 읽고 해석하는 데 사용하는 숫자 인식 시스템입니다. 이 시스템은 봉투의 손으로 쓴 숫자를 0에서 9까지의 숫자에 해당하는 10개의 클래스로 정렬해야 합니다.

 또 다른 예는 식물이나 동물의 종류를 그들의 특성에 따라 분류하는 것입니다. 이러한 특성은 이미지 분류를 위한 물리적 특성(색, 모양, 크기), DNA 분석을 위한 유전적 특성 또는 행동 예측 모델을 포함할 수 있습니다.

 예를 들어, 기계 학습 모델은 부리 모양, 크기, 색상 및 서식지를 기반으로 새를 분류할 수 있으며, 각각은 모델의 다른 "특징"을 나타냅니다.

 

다중 레이블 분류 (Multilabel Classification)

 이진 및 다중 클래스 분류는 하나의 범주에 데이터를 할당하지만 다중 레이블 분류는 각 데이터 포인트가 여러 클래스에 속할 수 있도록 합니다. 알고리즘은 이 시나리오의 각 데이터 포인트에 여러 개의 설명 레이블을 할당합니다.

 기사를 분류하는 한 뉴스 기관의 경우를 생각해 보면, 기후 변화 정책에 대한 기사는 '환경', '정치', '정책'과 같은 다양한 주제 아래 태그가 붙을 수 있습니다. 비슷하게, 영화 추천 시스템은 '코미디', '드라마', '로맨스'와 같은 여러 장르로 한 영화를 분류할 수 있습니다.