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