K-Means 클러스터링 — 데이터를 K개의 그룹으로 자동 분류합니다. 레이블(정답) 없이 비슷한 데이터끼리 묶는
비지도 학습 알고리즘입니다.
Train으로 클러스터를 학습하고, Val·Test에서 동일한 클러스터 할당 품질을 비교합니다.
비지도학습클러스터링실루엣점수Inertia
🔵 K-Means — 단계별 알고리즘 시뮬레이터
샘플 데이터
K 값
1 / 6
K-최근접 이웃 (KNN) — 새 데이터와 가장 가까운 K개의 이웃을 찾아 분류·예측합니다. 타겟 컬럼의 고유값이 20 이하면
분류, 초과하면
회귀로 자동 전환됩니다.
지도학습분류/회귀거리 기반Train/Val/Test
🟣 KNN — 단계별 알고리즘 시뮬레이터
샘플 데이터
K (이웃 수)
1 / 6
📂 데이터 업로드 (Train / Val / Test)
이웃 수 (K)
가중치
거리 척도
선형 회귀 (Linear Regression) — 수치형 타겟을 예측합니다. Ridge는 L2 정규화, Lasso는 L1 정규화를 적용해 과적합을 방지합니다.
회귀R²RMSERidgeLasso
📈 선형 회귀 — 단계별 알고리즘 시뮬레이터
1 / 6
📊
STEP 1 — 데이터 수집
수집된 데이터의 분포를 확인합니다.
📂 데이터 업로드 (Train / Val / Test)
로지스틱 회귀 (Logistic Regression) — 범주형 타겟을 분류합니다. 이름은 "회귀"지만 실제로는 분류 알고리즘으로, 각 클래스의 확률을 출력합니다.
분류확률 출력F1 Score다중 분류
🔀 로지스틱 회귀 — 단계별 알고리즘 시뮬레이터
1 / 6
📊
STEP 1 — 데이터 수집
이진 분류 데이터를 시각화합니다.
📂 데이터 업로드 (Train / Val / Test)
결정 트리 (Decision Tree) — 데이터를 if-else 규칙으로 분기해 예측합니다. 해석이 직관적이며, 깊이(max_depth)로 과적합을 제어합니다.
분류/회귀피처 중요도트리 깊이Gini/Entropy
🌿 결정 트리 — 단계별 알고리즘 시뮬레이터
1 / 6
📊
STEP 1 — 데이터 수집
이진 분류 데이터를 시각화합니다.
📂 데이터 업로드 (Train / Val / Test)
랜덤 포레스트 (Random Forest) — 수백 개의 결정 트리를 앙상블해 예측합니다. 단일 트리보다 과적합이 적고 피처 중요도를 제공합니다.
앙상블분류/회귀피처 중요도과적합 강건
📂 데이터 업로드 (Train / Val / Test)
XGBoost — Gradient Boosting 기반의 강력한 앙상블 알고리즘입니다. 캐글 대회에서 가장 많이 사용되는 알고리즘으로, 정확도와 속도 모두 우수합니다.
Gradient Boosting분류/회귀피처 중요도정규화
📂 데이터 업로드 (Train / Val / Test)
VAL (선택)
📂
검증 데이터
Early Stopping 용도로 활용
분류 평가지표 — Confusion Matrix & 파생 지표 — 모델이 얼마나 잘 분류하는지 다각도로 측정합니다. 슬라이더로 민감도·특이도를 바꿔보며 지표 간 트레이드오프를 직접 체험하세요.
Confusion MatrixPrecisionRecallF1 ScoreROCAUC
🔲 Confusion Matrix 구조
모델의 예측 결과를 실제 정답과 비교해 4개의 칸으로 정리한 표입니다. 단순 정확도가 놓치는 오류 유형을 명확히 드러냅니다.
← 모델 예측 →
예측 양성
예측 음성
실제 양성
TP
True Positive
올바른 양성 예측 ✓
FN
False Negative
놓친 양성 (Type II)
실제 음성
FP
False Positive
잘못된 경보 (Type I)
TN
True Negative
올바른 음성 예측 ✓
TP·TN은 정답, FP는 오탐(경보 과잉), FN은 미탐(놓친 사례). 어떤 오류가 더 위험한가에 따라 최적화 방향이 달라집니다.
🎮 인터랙티브 Confusion Matrix 시뮬레이터
슬라이더를 조정하면 행렬과 모든 지표가 실시간 업데이트됩니다. 프리셋을 눌러 다양한 현실 시나리오를 탐색하세요.
전체 30개 샘플 구성
● 양성 15개
+
○ 음성 15개
=
30개
← 모델 예측 →
예측 양성
예측 음성
실제 양성
80TP
20FN
실제 음성
10FP
90TN
🗂️ 샘플 데이터 미리보기 — 실제값 vs 예측값
슬라이더 비율에 따라 30개 샘플을 생성합니다. 각 행의 색이 Confusion Matrix의 어느 칸에 해당하는지 확인하세요.
📈 ROC 곡선 & AUC
📖 지표 해석 가이드 — 언제 무엇을 봐야 할까?
🏥 Recall 우선 상황
암 진단, 사기 탐지, 결함 검출 등 놓치는 것이 치명적인 경우.
FN(실제 환자를 정상이라 판정)을 최소화. Recall이 높을수록 미탐이 줄어듦.
📧 Precision 우선 상황
스팸 필터, 법적 분류, 추천 시스템 등 오탐이 비용이 높은 경우.
FP(정상 메일을 스팸 처리)를 최소화. Precision이 높을수록 신뢰도 상승.
⚖️ F1 Score 사용 상황
Precision·Recall 간 균형이 중요할 때, 특히 클래스 불균형 데이터에서. 단순 Accuracy는 다수 클래스를 전부 맞춰도 높게 나올 수 있어 F1이 더 신뢰됨.
📉 AUC-ROC 사용 상황
임계값(threshold)에 무관하게 모델 자체의 분리 능력을 비교할 때. 0.5 = 무작위, 1.0 = 완벽. 여러 모델 비교 시 AUC가 단일 지표로 유용.
⚠️ Accuracy의 함정
양성 1%, 음성 99%인 데이터에서 모두 음성 예측 시 Accuracy = 99%.
불균형 데이터에서는 Accuracy 단독 사용은 위험하며, Precision·Recall·F1을 함께 봐야 합니다.
🔁 Precision-Recall 트레이드오프
임계값을 낮추면 더 많이 양성 예측 → Recall↑ Precision↓.
임계값을 높이면 확실한 것만 양성 예측 → Precision↑ Recall↓.
시뮬레이터에서 슬라이더로 직접 확인해보세요.