2026 빅데이터분석기사 필기 3과목 2장 1~2절 | SVM·신경망·고급 앙상블 — 핵심 이론

필기 · 핵심 이론

복잡한 모델도 입력·목적함수·복잡도 제어·평가라는 틀로 읽을 수 있습니다. SVM의 마진과 커널, 신경망의 가중치와 활성화, 학습률과 일반화의 관계를 나누어 이해합니다.

1. SVM과 C

SVM은 마진과 분류 위반의 균형을 고려합니다. C가 커지면 일반적으로 위반 벌점이 커집니다. 자료의 스케일과 커널에 따라 경계도 달라집니다.

C가 크다고 미래 성능이 항상 좋아지지는 않습니다. 같은 분할에서 학습과 검증 오류를 함께 봅니다.

예제로 적용하기

C를 높여 학습 오류가 줄고 검증 오류가 늘었다. 우려는?

2. 커널과 gamma

커널은 특징 공간의 유사도를 계산하는 방식과 연결됩니다. RBF gamma는 개별 관측의 영향 범위와 경계 복잡도에 영향을 줍니다.

복잡한 커널이 항상 최선은 아닙니다. 검증 성능과 계산 비용을 단순 모형과 비교합니다.

예제로 적용하기

RBF 경계가 관측 주변에서 매우 복잡하다. 조정 후보는?

3. 활성화 함수

신경망은 가중합에 비선형 활성화를 적용해 복잡한 관계를 표현합니다. 선형층만 여러 개 쌓으면 하나의 선형변환으로 합쳐질 수 있습니다.

이진분류·다중분류·회귀에 맞춰 출력과 손실을 정합니다. 층 수가 많아도 평가와 데이터 문제가 자동 해결되지는 않습니다.

예제로 적용하기

입력 2,가중치 3,편향-1의 가중합은?

4. 경사하강과 학습률

경사하강법은 손실 기울기로 파라미터를 갱신합니다. 학습률이 너무 크면 발산·진동하고 너무 작으면 느릴 수 있습니다. 에폭·배치·갱신 횟수를 구분합니다.

학습 손실과 검증 손실을 함께 보고 조기 종료를 검토합니다. 시드 고정은 재현성을 돕지만 모든 병렬 연산의 동일성을 보장하지는 않습니다.

예제로 적용하기

w=2,기울기 3,학습률 0.1의 다음 w는?

5. 규제와 스태킹

드롭아웃·가중치 감쇠·조기 종료는 과적합을 완화하는 수단입니다. 스태킹에서는 OOF 예측 등으로 상위 학습용 예측을 구성해 누수를 관리합니다.

최종 시험자료는 모형 선택과 분리합니다. 앙상블도 잘못된 분할과 누수를 자동 해결하지 않습니다.

예제로 적용하기

같은 학습행의 하위 모형 예측만 상위 학습에 넣었다. 우려는?

한눈에 비교하기

순서대로 풀어 보는 예제

w=2,기울기 3,학습률 0.1이면 다음 값은 1.7입니다. 학습률 1이면-1로 크게 이동합니다. 비선형 손실에서는 큰 이동이 최솟값을 지나쳐 진동할 수 있습니다.

C·gamma·층 수·학습률은 같은 검증 조건에서 비교합니다. 최종 시험 점수를 보고 반복 선택하면 독립 평가 역할을 잃습니다.

헷갈리는 문장 바로잡기

SVM과 C

잘못된 판단 C가 크면 미래 성능이 반드시 좋다.

올바른 판단: C는 마진 위반 벌점에 영향을 준다.

커널과 gamma

잘못된 판단 gamma는 군집 수다.

올바른 판단: RBF gamma는 국소 영향 범위에 영향을 준다.

활성화 함수

잘못된 판단 선형층만으로 모든 비선형이 자동 표현된다.

올바른 판단: 비선형 활성화는 비선형 관계 표현에 중요하다.

경사하강과 학습률

잘못된 판단 클수록 언제나 좋다.

올바른 판단: 학습률은 갱신 폭을 조절한다.

규제와 스태킹

잘못된 판단 드롭아웃은 행 영구 삭제다.

올바른 판단: 상위 학습에는 하위 모형의 과적합 예측 누수를 주의한다.

이론을 정리했다면 같은 절의 객관식 문제에서 조건과 예외를 확인하세요. 정답을 고른 뒤에는 틀린 선택지가 왜 성립하지 않는지도 설명해 보세요.

같은 검증 조건으로 복잡도를 비교하기

입력 A는 0~1,입력 B는 0~100만 범위라고 합시다. 거리 기반 SVM에서 B의 수치 차이가 경계를 지배할 수 있습니다. 학습 자료로 스케일러를 적합하고 검증에는 같은 변환을 적용한 뒤 C·gamma를 비교합니다. 전체 자료로 스케일링한 뒤 나누는 방식은 피합니다.

모형 1의 학습 정확도 99%·검증 80%,모형 2의 학습 93%·검증 88%라면 학습 정확도만으로 1을 고르지 않습니다. 검증 변동과 목표 지표를 확인하고 필요하면 교차검증으로 비교합니다. 클래스가 불균형하면 재현율·정밀도·PR-AUC까지 살핍니다.

신경망도 학습 손실이 줄어드는 동안 검증 손실이 증가할 수 있습니다. 조기 종료의 관찰 지표·인내 횟수·복원할 가중치를 정합니다. 학습률·배치크기·시드·전처리 버전을 기록하면 재실행 때 차이를 추적하기 쉽습니다.

스태킹은 하위 모형이 보지 않은 폴드의 예측을 모아 상위 모형을 학습할 수 있습니다. 이미 학습한 행의 거의 완벽한 예측만 넣으면 상위 모형이 실제 운영에서 볼 수 없는 품질의 입력에 적합될 수 있으므로 OOF구성을 확인합니다.

핵심 개념 확인 — 객관식 5문제

설명을 읽은 뒤 아래 다섯 문항을 풀어 보세요. 정답을 고르고 틀린 선택지의 오류도 설명할 수 있으면 이 단원의 기준을 이해한 것입니다.

문제 1

SVM·신경망·고급 앙상블에서 SVM과 C에 대한 설명으로 옳은 것은?

1. ① 스케일은 SVM과 무관하다.
2. ② 마진은 범주 개수다.
3. ③ C는 마진 위반 벌점에 영향을 준다.
4. ④ C가 크면 미래 성능이 반드시 좋다.

문제 2

SVM·신경망·고급 앙상블에서 커널과 gamma에 대한 설명으로 옳은 것은?

1. ① gamma는 군집 수다.
2. ② 커널은 파일 복제다.
3. ③ 복잡한 커널은 항상 최선이다.
4. ④ RBF gamma는 국소 영향 범위에 영향을 준다.

문제 3

SVM·신경망·고급 앙상블에서 활성화 함수에 대한 설명으로 옳은 것은?

1. ① 비선형 활성화는 비선형 관계 표현에 중요하다.
2. ② 선형층만으로 모든 비선형이 자동 표현된다.
3. ③ 모든 목표는 같은 손실이다.
4. ④ 신경망은 항상 라벨이 불필요하다.

문제 4

SVM·신경망·고급 앙상블에서 경사하강과 학습률에 대한 설명으로 옳은 것은?

1. ① 학습률은 갱신 폭을 조절한다.
2. ② 에폭은 반드시 한 행이다.
3. ③ 검증 손실은 의미가 없다.
4. ④ 클수록 언제나 좋다.

문제 5

SVM·신경망·고급 앙상블에서 규제와 스태킹에 대한 설명으로 옳은 것은?

1. ① 상위 학습에는 하위 모형의 과적합 예측 누수를 주의한다.
2. ② 시험 정답으로 조기 종료를 반복해도 독립 평가다.
3. ③ 앙상블은 누수를 자동 제거한다.
4. ④ 드롭아웃은 행 영구 삭제다.

범위 확인

2026년 학습 범위를 기준으로 구성했습니다. 시험 시행기관의 자격 안내·출제 기준에서 과목과 변경 공지를 확인할 수 있습니다.