핵심
SVM은 마진 최대화, KNN은 게으른 학습, 나이브베이즈는 조건부 독립 가정입니다.
공식
SVM: 마진 최대화 초평면 (커널로 비선형) KNN: 가까운 k개 다수결, 게으른 학습(거리 기반) 나이브베이즈: 베이즈 정리 + 조건부 독립 가정 로지스틱: 범주형 종속변수 분류 함정: SVM 마진 최소화, KNN 사전 학습, 나이브 상관 전제로 속임
트리거 키워드
예시
'변수 간 조건부 독립을 가정하는 분류기는?' → 나이브베이즈
대표적 분류 알고리즘으로 SVM은 두 집단을 나누는 초평면의 마진(여백)을 최대화하고, KNN은 미리 학습하지 않고 예측 시점에 가까운 이웃을 찾는 게으른 학습(lazy learning)이며, 나이브베이즈는 모든 변수가 서로 조건부 독립이라고 가정합니다. ADsP에서는 각 알고리즘의 핵심 특징을 뒤바꿔 출제하므로 SVM=마진 최대화, KNN=게으른 학습, 나이브베이즈=조건부 독립으로 구분하세요.
3과목 데이터 분석의 데이터 마이닝 영역에서 문제 지문이나 보기에 SVM, 서포트벡터머신, 마진, KNN, 최근접이웃, 나이브베이즈, 조건부독립 같은 표현이 보이면 이 패턴을 먼저 떠올리십시오. 개념을 처음부터 따지지 않고 위 공식에 대입하는 것만으로 보기를 빠르게 좁힐 수 있습니다. 아래 관련 문항 4개가 모두 같은 방식으로 풀립니다.