지도학습은 입력과 목표 출력의 예시를 이용해 둘 사이의 관계를 학습하는 방법입니다. 범주를 예측하는 분류와 수치를 예측하는 회귀가 대표적인 작업이며 새로운 자료에 대한 평가가 필요합니다.
다른 이름: Supervised Learning
입력과 정답의 짝으로 배웁니다
지도학습은 입력 사례와 목표를 함께 이용해 모델을 조정합니다. 사진과 빵 이름, 날짜별 특징과 판매량이 그런 짝입니다. 모델의 출력과 목표의 차이를 기준으로 학습합니다.
이름표를 붙이는 작업이 늘 쉬운 것은 아닙니다. 사진이 흐리거나 여러 빵이 겹치면 사람끼리도 정답에 의견이 갈릴 수 있습니다. 일관된 기준이 없으면 모델도 흔들리는 목표를 배우게 됩니다.
종류를 고르면 분류, 숫자를 예측하면 회귀
빵이 식빵인지 크루아상인지 고르는 것은 분류입니다. 내일 몇 개 팔릴지 추정하는 것은 회귀 문제로 다룰 수 있습니다. 결과에 숫자가 보인다고 모두 회귀인 것은 아닙니다. 상품 종류를 1·2·3으로 표시한 번호는 범주 이름일 수 있습니다.
모델 선택과 오차 측정도 목표에 맞춰야 합니다. 판매량을 1개 틀린 것과 100개 틀린 것은 다르지만, 상품 번호의 차이가 1이라고 해서 두 종류가 더 비슷한 것은 아닙니다.
정답을 많이 주는 것만으로 끝나지 않습니다
일부 자료로 학습하고 별도 자료로 성능을 점검합니다. 같은 빵의 거의 동일한 사진이 양쪽에 섞이면 새 사례를 잘 처리하는지 과장해서 평가할 수 있습니다.
학습한 모델을 사용할 때는 새 입력만 받습니다. 정답은 아직 모르기 때문에 예측하는 것입니다. 이후 실제 결과를 확보하면 어떤 상황에서 오차가 컸는지 확인하고 개선에 활용할 수 있습니다.
예시와 비교
문제 | 유형 | 목표 |
|---|---|---|
사진 속 빵 종류 | 분류 | 종류 이름 |
내일 판매량 | 회귀 | 수량 |
제품 번호 1·2·3 중 선택 | 분류 | 번호가 가리키는 범주 |
주의할 해석
지도학습이라는 말이 학습 중 사람이 매번 옆에서 지시한다는 뜻은 아닙니다. 목표가 포함된 자료로 학습한다는 점이 핵심입니다.
추가 설명
일부 문제에서는 여러 레이블을 동시에 예측하거나 출력이 구조화되어 있습니다. 입문 단계에서는 단순 분류와 회귀로 출발하되 모든 지도학습이 이 두 예와 똑같지는 않음을 기억합니다.
출처와 더 읽을 자료
Google — Supervised Learning — 특징·레이블·학습과 추론 · 확인 2026-10-29
Google — Accuracy, recall, precision, and related metrics — 분류 평가 지표 · 확인 2026-10-29