Choose a default theme

You can change your theme from the menu

벡터

기계학습에서 벡터는 여러 수치 특징을 순서대로 담아 계산하는 표현으로 널리 사용됩니다. 행렬과 함께 선형 변환·유사도 계산 등의 기초를 이루며, 벡터 공간과 유사도 기준을 맞춰 해석해야 합니다.

다른 이름: Vector · 숫자 벡터


벡터는 순서가 있는 숫자 묶음입니다

가상의 상품을 [단맛, 크기] 두 점수로 표현해 [2, 3]이라고 적어봅시다. 두 숫자의 순서는 중요합니다. [3, 2]와는 다른 표현입니다. 실제 학습 임베딩의 축이 이런 해석 가능한 속성이라는 뜻은 아닙니다.

벡터끼리 더하거나 일정한 배수를 곱해 정보를 결합할 수 있습니다. 같은 길이와 같은 의미의 좌표를 사용해야 계산 결과를 일관되게 해석할 수 있습니다.


행렬은 여러 벡터를 변환하는 표입니다

입력 [2, 3]에 대해 첫 출력은 2×1+3×0=2, 둘째 출력은 2×0+3×2=6이 되도록 계산할 수 있습니다. 계수들을 [[1,0],[0,2]]라는 표로 모으면 행렬로 표현할 수 있습니다.

여러 입력을 한꺼번에 묶어 같은 변환을 적용하면 신경망의 큰 계산을 효율적으로 수행할 수 있습니다. 행과 열이 어떤 대상을 뜻하는지는 사용하는 표기 규칙과 구현에서 확인해야 합니다.


방향과 크기를 구별합니다

코사인 유사도는 벡터 방향의 가까움을 비교하는 데 사용됩니다. [1,0]과 [2,0]은 크기는 다르지만 방향은 같고, [1,0]과 [0,1]은 직각입니다.

방향이 비슷하다고 무조건 사실이 같거나 중요한 관계가 있다는 뜻은 아닙니다. 어떤 표현을 비교하는지와 유사도를 어떤 목적으로 사용하는지까지 필요합니다. 뒤의 어텐션도 숫자 표현을 비교하고 결합하는 계산을 사용합니다.


예시와 비교

계산

결과

[2,3]+[1,1]

[3,4]

2×[2,3]

[4,6]

[1,0]과 [2,0]의 코사인 유사도

1

[1,0]과 [0,1]의 코사인 유사도

0



주의할 해석

행렬을 큰 숫자표라고 부르는 것은 입문용 설명입니다. 실제 곱셈에는 차원이 맞아야 하며 항목을 같은 위치끼리 곱하는 계산과 다릅니다.


추가 설명

코사인 유사도는 내적을 두 벡터 길이의 곱으로 나눕니다. 길이가 0인 벡터에서는 그대로 정의할 수 없으므로 처리 규칙이 필요합니다.



출처와 더 읽을 자료

Google — Embeddings — 학습된 벡터 표현 · 확인 2026-10-29

Dive into Deep Learning — Linear Algebra — 벡터·행렬·연산 · 확인 2026-10-29