지도 학습 & 비지도 학습

지도 학습과 비지도 학습의 차이는 무엇일까?

머신러닝은 학습 방식에 따라

지도 학습(supervised learning)과 비지도 학습(unsupervised learning)으로 나뉜다.

두 방법의 가장 중요한 차이는 출력값(Y), 즉 라벨(label) 또는 타겟(target)의 존재 여부이다.

이 글에서는 두 학습 방식의 차이를 정리한다.

---

1. 데이터 관점에서의 차이: Y 데이터의 유무

머신러닝에서 데이터는 보통 다음과 같이 구분한다.

• X: 입력값 (feature, 요인)
• Y: 출력값 (label, target)

지도 학습과 비지도 학습은 이 Y 데이터의 존재 여부로 구분된다.

• 지도 학습: X와 Y가 모두 존재한다.
• 비지도 학습: X만 존재하며 Y는 없다.

즉, 모델이 출력값(라벨, 타겟)을 함께 학습시키는지가 두 학습 방식의 가장 확실한 구분 기준이다.

---

2. 학습 목적의 차이

지도 학습

지도 학습은 X와 Y의 관계를 학습한다. 정답이 존재하며 이 답을 맞추는 것이 목적이다.

• 예: “X의 10배가 Y이다”와 같은 함수 관계를 학습한다.

비지도 학습

비지도 학습은 X들끼리의 관계를 학습한다. 정답이 없기 때문에 데이터의 구조나 패턴을 파악하는 것이 목적이다.

• 예: “데이터들 사이에 1 또는 2 정도의 차이가 난다”와 같은 구조를 찾는다.

---

3. 지도 학습의 대표적인 유형

지도 학습은 보통 다음 두 가지 문제로 나뉜다.

• 회귀(Regression): 연속적인 숫자 값을 예측한다.
  • 예: 100,000,000원, 150,000,000원처럼 실제 숫자 값을 예측한다.
• 분류(Classification): 범주(카테고리)를 예측한다.
  • 예: dog(0), cat(1)처럼 숫자로 라벨링된 카테고리를 예측한다.

정리하면 지도 학습은 정답이 있는 데이터를 이용해 숫자 또는 범주를 예측하는 모델을 만드는 방식이다.

---

4. 비지도 학습의 대표적인 유형

비지도 학습은 출력값이 없기 때문에 데이터 자체의 구조를 분석하는 데 사용한다.

대표적으로 다음과 같은 유형이 있다.

• 군집화(Clustering): 비슷한 데이터끼리 그룹화한다.
• 변환(Transformation) / 특성 추출: 데이터의 중요한 구조를 요약하거나 새로운 표현으로 변환한다.

예를 들어 고객 데이터를 자동으로 여러 그룹으로 나누거나 고차원 데이터를 더 작은 차원으로 축소하는 작업이 여기에 해당한다.

---

5. 핵심 차이 정리

구분	지도 학습	비지도 학습
Y 데이터(라벨)	있음	없음
학습 대상	X와 Y의 관계	X들 사이의 관계
목적	예측	구조 및 패턴 발견
대표 예시	회귀, 분류	군집화, 차원 축소(변환)

---

6. 정리

• 지도 학습은 입력값 X와 정답 Y를 함께 사용하여 예측 모델을 학습한다.
• 비지도 학습은 정답 없이 입력 데이터 X만으로 데이터의 구조를 분석한다.
• 두 방법의 차이는 알고리즘보다 데이터에 라벨이 존재하는지 여부에서 시작된다.
• 분석 목적이 “값을 맞추는 것”인지 “데이터를 이해하는 것”인지에 따라 선택이 달라진다.

머신러닝 문제를 처음 마주할 때, 가장 먼저 확인해야 할 것은 Y 데이터가 존재하는가이다.