Linear Regression

선형 회귀(Linear Regression)는 종속 변수(타깃)와 하나 이상의 독립 변수(특성) 간의 관계를 모델링하는 데 사용되는 지도 학습(supervised learning)의 기본 통계 방법이자 핵심 알고리즘입니다. 이산형 범주를 예측하는 분류 알고리즘과 달리, 선형 회귀는 연속형 출력을 예측하므로 특정 수치를 예측하는 작업에 필수적입니다. 단순성과 해석 가능성 덕분에 모델이 오차를 최소화하며 데이터로부터 학습하는 핵심 메커니즘을 소개함으로써, 더 복잡한 머신러닝(ML) 개념을 이해하는 관문 역할을 합니다.

핵심 메커니즘 및 학습#

이 기법의 주된 목적은 데이터 패턴을 가장 잘 설명하는 "최적의 선(line of best fit)" 또는 고차원에서의 초평면을 찾는 것입니다. 이를 달성하기 위해 알고리즘은 입력 특성의 가중합에 편향(bias) 항을 더한 값을 계산합니다. 학습 과정에서 모델은 예측값과 실제 정답 간의 오차를 줄이기 위해 가중치와 편향(weights and biases)으로 알려진 이러한 내부 파라미터를 반복적으로 조정합니다.

이 오차는 손실 함수(loss function)를 사용하여 정량화되며, 가장 일반적인 선택은 평균 제곱 오차(MSE)입니다. 손실을 효과적으로 최소화하기 위해 경사 하강법(gradient descent) 같은 최적화 알고리즘(optimization algorithm)을 사용하여 가중치를 업데이트합니다. 모델이 학습 데이터의 노이즈에 너무 가깝게 맞춰지면 과적합(overfitting)의 위험이 있고, 반대로 기저 트렌드를 포착하기에는 너무 단순한 모델은 과소적합(underfitting)을 겪게 됩니다.

AI의 실제 응용 사례#

데이터 분석의 단순한 예측 모델링과 종종 연관되지만, 선형 회귀 원리는 고급 딥러닝(DL) 아키텍처에도 깊이 내재되어 있습니다.

• 재무 예측: 분석가들은 회귀 분석을 사용하여 평수, 위치, 과거 시장 추세와 같은 과거 데이터 포인트를 기반으로 주택 가격, 주식 가치 또는 매출액을 예측합니다.
• 컴퓨터 비전 및 객체 검출: YOLO26 제품군과 같은 최신 객체 검출기는 검출 헤드에서 회귀를 활용합니다. 구체적으로, 모델은 이미지 내 객체의 정확한 연속형 좌표(중심 x, 중심 y, 너비, 높이)를 예측하기 위해 "바운딩 박스 회귀"를 수행합니다.

선형 회귀 vs. 로지스틱 회귀#

이 용어를 로지스틱 회귀(Logistic Regression)와 구분하는 것이 중요합니다. 둘 다 선형 모델이지만 그 출력은 크게 다릅니다. 선형 회귀는 연속적인 수치 값(예: 자동차 가격)을 예측합니다. 대조적으로, 로지스틱 회귀는 시그모이드 함수 같은 활성화 함수를 통해 선형 출력을 전달함으로써 입력이 특정 범주에 속할 확률(예: 이메일이 "스팸"인지 "스팸이 아닌지")을 예측하는 분류 작업에 사용됩니다.

예시: 객체 탐지에서의 회귀#

컴퓨터 비전 맥락에서 Ultralytics YOLO26과 같은 모델이 객체를 감지할 때, 바운딩 박스 좌표는 회귀 작업의 결과입니다. 모델은 객체의 위치를 정확히 파악하기 위해 연속적인 값을 예측합니다.

from ultralytics import YOLO

# Load the YOLO26 model (nano version)
model = YOLO("yolo26n.pt")

# Run inference on an image
# The model uses regression to determine the exact box placement
results = model("https://ultralytics.com/images/bus.jpg")

# Display the continuous regression outputs (x, y, width, height)
for box in results[0].boxes:
    print(f"Box Regression Output (xywh): {box.xywh.numpy()}")

특화된 데이터셋을 위해 이러한 회귀 기능을 활용하는 커스텀 모델을 학습하고자 하는 사용자는 간소화된 어노테이션 및 클라우드 학습을 위해 Ultralytics 플랫폼을 이용할 수 있습니다. 이러한 기본적인 회귀 원리를 이해하면 인공지능(AI)과 컴퓨터 비전의 복잡한 작업을 마스터하기 위한 탄탄한 기반을 마련할 수 있습니다.