[20260407] 빅데이터분석기사 필기 9일차_서포트 벡터 머신

번호	핵심 키워드	상세 설명
1	서포트 벡터 머신 (SVM)	데이터를 분류하는 지도 학습 모델로, 최적의 분리 초평면을 찾아 마진을 최대화하여 분류 정확도와 일반화 성능이 뛰어남.
2	초평면 (Hyperplane)	N차원 공간에서 N-1차원의 결정 경계선으로, 데이터를 분류하는 기준이 되는 선 또는 면.
3	서포트 벡터 (Support Vector)	결정 경계와 가장 가까이 있는 데이터들로, 결정 경계를 정의하는 데 핵심적인 역할을 하며 여러 개일 수 있음.
4	마진 (Margin)	결정 경계와 서포트 벡터 사이의 거리로, SVM의 목표는 이 마진을 최대화하여 모델의 일반화 성능을 높이는 것임.
5	커널 트릭 (Kernel Trick)	선형적으로 분리 불가능한 데이터를 고차원으로 매핑하여 선형 분리가 가능하도록 하는 기법으로, 실제 차원을 높이지 않고 고차원 공간에서의 내적 값을 계산하여 연산량을 줄임.

 

Q1. 두 클래스로 선형 분리가 가능한 데이터에서 SVM의 결정경계에 대한 가장 적절한 설명은?

 

A: 결정경계는 두 클래스 사이의 마진을 최대화하는 초평면이며, 경계는 서포트벡터에 의해 결정된다.

B: SVM은 항상 비선형 커널을 사용해야만 올바르게 동작한다.

C: 모든 학습 데이터 포인트가 결정경계의 위치를 결정한다.

D: 결정경계는 두 클래스의 중심(평균)을 연결한 선에 의해 정해진다.

 

 

정답이에요!

A. SVM은 경계에 근접한 소수의 학습점(서포트벡터)을 이용해 클래스 간 마진을 최대화하는 초평면을 찾으므로 결정경계는 이 서포트벡터들에 의해 결정돼요. 핵심은 마진 최대화와 서포트벡터의 역할입니다.

 

 

Q2. 일부 학습 데이터가 겹쳐 완벽한 선형 분리가 불가능한 3차원 데이터에서, SVM이 일부 오분류를 허용하면서도 마진을 최대화하려면 어떤 접근을 사용하는가?

 

A: 하드마진 SVM을 사용해 서포트벡터를 제거하고 마진을 확장한다.

B: RBF 같은 커널 트릭으로 데이터를 고차원으로 매핑해 선형으로 분리되게 한다.

C: 소프트마진 SVM을 도입하고 슬랙 변수를 사용해 일부 오분류를 허용한다.

D: 특징 수를 줄여 차원 축소를 수행해 오분류 문제를 해결한다.

 

 

정답이에요!

C. 소프트마진은 슬랙 변수를 도입해 일부 학습점의 마진 위반(오분류)을 허용하면서 마진 최대화를 가능하게 해요. 슬랙 변수는 완전 분리가 불가능한 경우 모델의 견고성과 오류 허용도를 조절하는 핵심 개념입니다.

 

 

Q3. 서포트벡터머신(SVM)에서 결정경계와 서포트벡터의 관계로 가장 적절한 설명은 무엇인가?

 

A: 결정경계는 n차원 공간에서 n-1차원의 초평면이고 양쪽 서포트벡터들 사이 거리를 반으로 나눕니다.

B: 결정경계는 항상 각 데이터 군집의 중심을 지나며 서포트벡터들은 그 중심으로부터 같은 거리에 분포합니다.

C: 서포트벡터는 결정경계로부터 가장 먼 데이터 포인트로 마진을 최대화하기 위해 선택됩니다.

D: SVM의 마진은 결정경계 자체의 '두께'를 의미하며, 마진이 클수록 결정경계는 더 복잡해집니다.

 

 

정답이에요!

A. 결정경계는 양쪽 마진을 가르는 초평면이므로 서포트벡터들 사이 거리를 반으로 나누는 중심선입니다. 서포트벡터는 결정경계와 가장 가까운 데이터 포인트라는 것을 기억하세요.

 

 

Q4. 클래스가 일부 겹쳐 일부 오분류가 불가피한 데이터에 SVM을 적용할 때 가장 적절한 선택은 무엇인가요?

 

A: 하드 마진 SVM을 사용해 모든 훈련 데이터를 완전 분리하도록 한다.

B: 선형 SVM에 RBF 커널을 적용하면 오분류 문제도 자동으로 해결된다.

C: 슬랙변수를 도입한 소프트 마진 SVM을 사용해 일부 오분류를 허용하면서 마진을 최대화한다.

D: 차수가 높은 다항 커널로 모델 복잡도를 높여 훈련 데이터에 완벽히 맞춘다.

 

 

정답이에요!

C. 겹침이 있는 데이터에는 소프트 마진을 사용해 슬랙변수로 일부 오분류를 허용하면서 마진을 최대화하는 방식이 적절해요. 슬랙변수는 허용 오차를 조절해 모델의 견고성과 과적합 간 균형을 맞추는 역할을 합니다.

 

 

Q5. SVM에서 최적의 결정경계를 찾을 때 마진을 직접 결정하는 학습 데이터 포인트 집합은 무엇인가?

 

A: 슬랙 변수(Slack Variables)

B: 서포트벡터(Support Vectors)

C: 결정경계에서 가장 먼 학습 데이터

D: 초평면(Hyperplane)

 

 

정답이에요!

B. 서포트벡터는 결정경계와 가장 가까이 있는 학습 데이터들이어서 이들이 마진을 결정하므로 정답이에요. 마진은 결정경계에서 서포트벡터까지의 거리이고 SVM은 이 거리를 최대화하는 초평면을 찾습니다.

 

 

이 포스팅은 쿠팡 파트너스 활동의 일환으로, 이에 따른 일정액의 수수료를 제공받습니다.