분류분석 — 로지스틱회귀 · KNN · SVM · 개념 그림 + 기출문제 통합 학습 HTML

CONCEPT 01

로지스틱 회귀분석의 로그오즈

1 / 4

log(P(y) / (1−P(y))) = α + β₁x₁+...+βₖxₖ — 좌변이 "로그 오즈(Log Odds)". exp(β₁)은 x₁이 한 단위 증가할 때 성공(y=1)의 오즈가 몇 배 증가하는지를 뜻한다.

↓ 기출 1번 연결 ↓

QUESTION 01

괄호에 들어갈 단어

39회 기출

관련 문제

아래의 로지스틱회귀모형에 대한 설명에서 괄호 안에 들어갈 단어는?

로지스틱 회귀모형에서 e^β₁의 의미는 X₁,…,Xₚ이 주어질 때, X₁이 한 단위 증가할 때마다 성공(y=1)의 ( )이/가 증가하는지를 나타낸다.

① 확률 (Probability)

② 오즈 (Odds)

③ 로그 오즈 (Log Odds)

④ 오즈비 (Odds Ratio)

정답 ②

e^β는 로지스틱 회귀모형에서 독립변수가 한 단위 증가할 때 성공(y=1)의 오즈가 얼마나 증가하는지를 나타낸다. 오즈는 사건이 발생할 확률과 발생하지 않을 확률의 비율이며, 확률이나 로그 오즈와는 구분된다.

핵심 암기 · exp(β) = 오즈(Odds)의 변화배수

CONCEPT 02

R glm() 결과 해석 — 신용카드 체납 예측

2 / 4

> summary(glm(default~.,data=Default,family="binomial")) Coefficients: Estimate Std.Error z value Pr(>|z|) (Intercept) -1.087e+01 4.923e-01 -22.080 <2e-16 *** studentYes -6.468e-01 2.363e-01 -2.738 0.00619 ** balance 5.737e-03 2.319e-04 24.738 <2e-16 *** income 3.033e-06 8.203e-06 0.370 0.71152

balance는 p-value<2e-16으로 매우 유의하며 체납확률에 중요한 영향을 미친다. studentYes의 계수가 음수(−0.6468)이므로, 카드잔고·연봉이 동일할 때 학생이 아닌 고객보다 체납확률이 낮다.

↓ 기출 2번 연결 ↓

QUESTION 02

체납 확률 예측 모형 해석

25회 기출

관련 문제

10,000명의 신용카드 고객에 대한 체납 여부(default)와 학생여부(student), 카드 잔고(balance), 연봉(income)을 포함한 데이터로 체납 확률을 예측한 결과에 대한 설명으로 가장 부적절한 것은?

① 로지스틱 회귀모형을 사용한 결과이다.

② 세 설명변수 모두가 체납확률을 예측하는데 유의한 영향이 있지는 않다.

③ 카드 잔고와 연봉이 동일한 수준일 때, 학생(studentYes)이 학생이 아닌 고객보다 체납확률이 높다.

④ 해당 분석 결과에 대한 분산분석표를 확인하기 위해서는 anova(model)를 실행하면 된다.

정답 ③

위 모델은 로지스틱 회귀모형이다. p-value를 살펴보면 studentYes와 balance는 유의수준 5% 내에서 체납여부에 유의미한 영향을 미친다. 특히, balance는 p-value<2e-16으로 매우 유의미하며 체납확률에 중요한 영향을 미치는 변수임을 나타낸다. 또한 studentYes의 계수가 −6.468e-01로 음수이므로, 학생이 학생이 아닌 고객보다 체납확률이 낮음을 의미한다.

핵심 암기 · 계수 부호가 음수(−)면 그 변수가 늘수록 결과는 "감소"

CONCEPT 03

K-최근접 이웃법(k-NN)

3 / 4

원리새 데이터와 가장 가까운 k개 데이터의 클래스(다수결)로 분류 — Lazy Learning

거리 계산유클리디안·맨하탄·민코우스키 거리 — 대표적으로 유클리디안 사용

k 선택보통 훈련 데이터 개수의 제곱근으로 설정, 너무 크면 과소적합, 너무 작으면 과대적합

↓ 기출 3번 연결 ↓

QUESTION 03

K-NN의 실제 단점이 아닌 것

29회 기출

관련 문제

다음 중 K-Nearest-Neighbor의 단점 중 옳지 않은 것은?

① k 값을 구하기 어렵다.

② 수치형 데이터만 분석이 가능하다.

③ 이상치에 영향을 많이 받는다.

④ 차원의 크기가 크면 계산량이 많아진다.

정답 ②

KNN은 수치형 데이터뿐만 아니라 범주형 데이터에도 적용 가능하다. 예를 들어, 범주형 데이터는 원핫 인코딩 후 해밍거리와 같은 거리 측도를 활용하여 적용할 수 있다. 나머지 선택지들은 실제 단점으로, k값 설정이 어렵고, 이상치에 민감하며, 차원이 커질수록 계산량이 증가하는 문제가 있다.

핵심 암기 · KNN은 수치형 "전용"이 아니다 — 범주형도 거리 측도만 바꾸면 가능

CONCEPT 04

서포트 벡터 머신(SVM)과 커널 함수

4 / 4

커널 함수는 데이터를 고차원 공간으로 변환해 선형적으로 구분되지 않는 데이터를 선형적으로 분리 가능하게 만든다 — 차원을 "확장"하는 것이지 "축소"하는 것이 아니다.

↓ 기출 4번 연결 ↓

QUESTION 04

커널 함수의 역할

20회 기출

관련 문제

SVM(Support Vector Machine)에서 커널 함수의 역할은 무엇인가?

① 데이터의 차원을 축소한다.

② 데이터의 차원을 증가시킨다.

③ 데이터의 노이즈를 제거한다.

④ 데이터의 분포를 균등하게 만든다.

정답 ②

커널 함수는 데이터를 고차원 공간으로 변환하여 선형적으로 구분되지 않는 데이터를 선형적으로 분리 가능하게 만든다. 이는 차원을 축소하는 것이 아니라 차원을 확장하여 데이터 간의 패턴을 더 잘 찾을 수 있도록 돕는 역할을 한다.

핵심 암기 · 커널트릭 = 차원을 "늘려서" 비선형 데이터를 선형으로 가른다