Classification의 종류: 이진Binary분류, 다중클래스Multiclass분류

다중 클래스 문제는 이진 분류가 아닌 다중 분류 문제를 의미합니다. 이를 조금 더 자세히 설명하면 다음과 같습니다:

이진 분류 (Binary Classification)

이진 분류는 두 개의 클래스(또는 범주) 중 하나로 데이터를 분류하는 문제를 말합니다. 예를 들어:

• 이메일이 스팸인지 아닌지를 분류 (스팸 vs. 정상 메일)
• 환자가 특정 질병이 있는지 없는지를 분류 (질병 있음 vs. 없음)

이진 분류 문제에서는 일반적으로 두 개의 레이블을 사용하며, Gini Index나 이진 크로스 엔트로피 손실 함수를 사용하여 모델을 학습시킵니다.

다중 클래스 분류 (Multiclass Classification)

다중 클래스 분류는 두 개 이상의 클래스 중 하나로 데이터를 분류하는 문제를 말합니다. 예를 들어:

• 손글씨 숫자 인식 (0부터 9까지의 숫자)
• 꽃의 품종을 분류 (Iris 데이터셋에서 세 가지 품종: Setosa, Versicolor, Virginica)
• 사진 속에 있는 동물의 종류를 분류 (고양이, 개, 새 등)

다중 클래스 분류 문제에서는 일반적으로 세 개 이상의 레이블을 사용하며, 다중 클래스 크로스 엔트로피 손실 함수와 같은 방법을 사용하여 모델을 학습시킵니다.

주요 차이점

1. 클래스 수:

   • 이진 분류: 두 개의 클래스만 존재 (예: 0 또는 1, 참 또는 거짓).
   • 다중 클래스 분류: 세 개 이상의 클래스가 존재 (예: 0, 1, 2, ..., N).

2. 손실 함수:

   • 이진 분류: 주로 이진 크로스 엔트로피(Binary Cross-Entropy) 손실 함수를 사용.
   • 다중 클래스 분류: 주로 다중 클래스 크로스 엔트로피(Multiclass Cross-Entropy) 손실 함수를 사용.

3. 모델 출력:

   • 이진 분류: 하나의 확률 값(예: 예측 확률이 0.5 이상이면 클래스 1, 아니면 클래스 0).
   • 다중 클래스 분류: 여러 클래스에 대한 확률 분포 (예: 소프트맥스(Softmax) 함수를 사용하여 각 클래스에 대한 확률을 출력).

다중 클래스 분류의 예

• 손글씨 숫자 인식: MNIST 데이터셋은 0부터 9까지의 숫자를 포함하는 다중 클래스 분류 문제입니다.
• Iris 꽃 품종 분류: 세 가지 품종(Setosa, Versicolor, Virginica) 중 하나로 꽃을 분류하는 문제입니다.
• 뉴스 기사 분류: 여러 카테고리(정치, 경제, 스포츠 등) 중 하나로 기사를 분류하는 문제입니다.

다중 클래스 분류는 현실 세계의 많은 문제를 해결하는 데 사용되며, 이진 분류와 달리 클래스 간의 관계를 더 복잡하게 처리해야 합니다. 이를 위해 신경망, 결정 트리, 랜덤 포레스트 등 다양한 머신러닝 알고리즘이 사용될 수 있습니다.