0Pricing
Learn AI with Python · 강의

커널 트릭: RBF, 다항식, 시그모이드

커널이 작동하는 원리, RBF 커널의 감마 매개변수, 다양한 데이터 형태에 맞는 커널 선택 방법을 알아봅니다.

커널 트릭: RBF, 다항식, 시그모이드은(는) CoddyKit의 무료 Learn AI with Python 강의입니다. 이것은 4개 중 2번째 강의입니다. 아래에서 전체 강의를 무료로 읽을 수 있으며, 내장 코드 에디터와 24/7 AI 튜터와 함께 브라우저에서 직접 실습할 수 있습니다. 이 강의는 Learn AI with Python 학습 경로의 일부이며, 진행 상황이 웹과 CoddyKit 앱에 동기화됩니다. Learn AI with Python 강의에는 총 4개의 강의가 포함되어 있습니다.

직선만으로 부족할 때

선형 SVM은 직선 경계만 그립니다. 한 클래스의 원이 다른 클래스에 둘러싸인 경우처럼 많은 데이터 세트는 선형 분리가 불가능하여 직선으로 나눌 수 없습니다. 커널 트릭이 이 문제를 해결합니다.

고차원으로 매핑하기

데이터가 원래 공간에서 분리되지 않는다면 고차원 공간으로 투영하여 분리 가능하게 만들 수 있습니다. 2차원의 곡선이 3차원에서는 평평한 평면이 될 수 있습니다.

커널 트릭

커널 트릭은 실제로 비용이 큰 매핑을 수행하지 않고도 점을 고차원으로 매핑한 것처럼 점 사이의 유사도 K(x, z)를 계산합니다. 이를 통해 비선형 SVM을 효율적으로 사용할 수 있습니다.

커널 함수란 무엇인가

커널 K(x, z)는 어떤 고차원 특성 공간에서 x와 z의 내적을 반환하는 함수입니다. 커널마다 서로 다른 특성 매핑과 경계 형태를 의미합니다.

RBF 커널

RBF(가우시안) 커널은 가장 널리 사용되는 기본 선택입니다: K(x, z) = exp(-gamma * ||x - z||^2). 거리에 따라 감소하는 유사도를 측정하므로 유연하고 곡선 형태인 경계를 만들 수 있습니다.

from sklearn.svm import SVC

model = SVC(kernel="rbf", gamma="scale", C=1.0)
model.fit(X, y)

감마 매개변수

gamma는 RBF의 폭을 제어합니다. 감마가 크면 각 점의 영향 범위가 좁아져 과적합될 수 있는 구불구불한 경계가 만들어집니다. 감마가 작으면 영향 범위가 넓어져 더 매끄러운 경계가 만들어집니다.

from sklearn.svm import SVC

wiggly = SVC(kernel="rbf", gamma=10)    # tight, can overfit
smooth = SVC(kernel="rbf", gamma=0.01)  # broad, may underfit

감마와 C 함께 사용하기

RBF SVM은 gamma(경계의 유연성)와 C(오류 허용도)에 모두 의존합니다. 두 매개변수는 상호작용하므로 일반적으로 격자 탐색으로 함께 조정합니다.

from sklearn.model_selection import GridSearchCV
from sklearn.svm import SVC

param = {"C": [0.1, 1, 10], "gamma": [0.01, 0.1, 1]}
gs = GridSearchCV(SVC(kernel="rbf"), param, cv=5)
gs.fit(X, y)

다항 커널

다항 커널 K(x, z) = (gamma * x . z + r)^degree은 지정한 차수까지의 상호작용을 모델링합니다. 특성 상호작용의 차수를 알고 있을 때 사용하십시오.

from sklearn.svm import SVC

model = SVC(kernel="poly", degree=3, coef0=1, gamma="scale")
model.fit(X, y)

시그모이드 커널

시그모이드 커널 K(x, z) = tanh(gamma * x . z + r)은 신경망의 활성화 함수처럼 동작합니다. 덜 일반적이고 항상 유효한 커널은 아니므로 첫 번째 선택으로 사용하는 경우는 드뭅니다.

from sklearn.svm import SVC

model = SVC(kernel="sigmoid", gamma="scale", coef0=0)

커널 선택하기

안내:

  • 선형은 고차원 데이터나 텍스트 데이터에 사용합니다
  • RBF는 비선형 데이터의 강력한 일반 기본 선택입니다
  • 다항은 특정 차수의 상호작용이 중요할 때 사용합니다
  • 시그모이드는 특수한 경우에 드물게 사용합니다

특성 스케일은 항상 조정하기

RBF와 같은 커널은 거리에 의존하므로 특성 스케일이 매우 중요합니다. 커널 SVM을 사용하기 전에는 항상 특성을 표준화하십시오. 그렇지 않으면 스케일이 큰 특성이 유사도를 지배하게 됩니다.

from sklearn.pipeline import make_pipeline
from sklearn.preprocessing import StandardScaler
from sklearn.svm import SVC

pipe = make_pipeline(StandardScaler(), SVC(kernel="rbf"))
pipe.fit(X, y)

확인 문제

커널에 대한 지식을 확인해 보십시오.

복습

복습: 커널 트릭은 매핑 비용 없이 K(x, z)를 고차원 내적으로 계산하여 비선형 경계를 사용할 수 있게 합니다. RBF는 exp(-gamma * ||x-z||^2)를 사용하며 감마가 크면 과적합됩니다. 다항 커널은 차수가 d인 상호작용을 포착합니다. 커널 SVM을 사용하기 전에는 항상 특성의 스케일을 조정하십시오.

자주 묻는 질문

“커널 트릭: RBF, 다항식, 시그모이드” 강의는 무료인가요?

네 — “커널 트릭: RBF, 다항식, 시그모이드” 전체 내용을 이 웹사이트에서 무료로 읽을 수 있습니다. 인터랙티브하게 실습하려면(내장 코드 에디터와 24/7 AI 튜터), CoddyKit PRO로 업그레이드하면 Learn AI with Python 강의 전체를 잠금 해제할 수 있습니다. Learn AI with Python 강의에는 총 4개의 강의가 포함되어 있습니다.

“커널 트릭: RBF, 다항식, 시그모이드”에서 뭘 배우나요?

커널이 작동하는 원리, RBF 커널의 감마 매개변수, 다양한 데이터 형태에 맞는 커널 선택 방법을 알아봅니다. 브라우저에서 직접 실행하는 실습 코드로 Learn AI with Python을(를) 배우며, 24/7 AI 튜터가 강의를 진행하면서 질문에 답변해줍니다.

Learn AI with Python을(를) 시작하는 데 경험이 필요한가요?

사전 경험은 필요하지 않습니다. CoddyKit의 Learn AI with Python은(는) 초급자부터 고급 학습자까지를 위해 구성되어 있으므로, 여기서 시작하거나 처음부터 시작할 수 있으며 자신의 속도대로 진행할 수 있습니다. 이것은 4개 중 2번째 강의입니다.

“커널 트릭: RBF, 다항식, 시그모이드” 강의는 얼마나 걸리나요?

대부분의 CoddyKit 강의는 약 5~10분이 소요됩니다. 각 강의는 간결하고 인터랙티브하여 꾸준한 진행이 가능하며, 웹과 앱에서 중단한 부분부터 바로 시작할 수 있습니다.

이 Learn AI with Python 강의에서 코드를 작성하고 실행할 수 있나요?

네. 모든 Learn AI with Python 강의에는 내장 코드 에디터가 포함되어 있으므로, 브라우저에서 바로 실제 코드를 작성하고 실행한 후 즉시 AI 피드백을 받을 수 있습니다 — 로컬 설정이 필요 없습니다.

이 강의의 모든 강의

  1. SVM 이론: 마진과 서포트 벡터
  2. 커널 트릭: RBF, 다항식, 시그모이드
  3. sklearn을 활용한 분류용 SVM
  4. 회귀용 SVM(SVR)
← Learn AI with Python(으)로 돌아가기