Linear Regression

선형 회귀는 종속 변수(타깃)와 하나 이상의 독립 변수(특징) 간의 관계를 모델링하는 데 사용되는 기본적인 통계 방법이자 지도 학습의 기반 알고리즘입니다. 이산적인 범주를 예측하는 분류 알고리즘과 달리, 선형 회귀는 연속적인 출력을 예측하므로 특정 수치 값을 예측하는 것이 목표인 작업에 필수적입니다. 선형 회귀의 단순성과 해석 가능성은 더 복잡한 머신 러닝 (ML) 개념을 이해하는 관문 역할을 합니다. 또한 오류를 최소화하여 모델이 데이터에서 학습하는 핵심 메커니즘을 소개합니다.

핵심 메커니즘 및 학습#

이 기법의 주요 목표는 데이터 패턴을 가장 잘 설명하는 "최적 적합선" 또는 고차원 공간에서의 초평면을 찾는 것입니다. 이를 위해 알고리즘은 입력 특징의 가중 합에 편향 항을 더해 계산합니다. 학습 과정에서 모델은 가중치와 편향이라고 하는 이러한 내부 파라미터를 반복적으로 조정하여 예측값과 실제 정답 간의 차이를 줄입니다.

이 차이는 손실 함수를 사용하여 정량화하며, 가장 일반적인 선택은 평균 제곱 오차 (MSE)입니다. 손실을 효과적으로 최소화하기 위해 경사 하강법과 같은 최적화 알고리즘을 사용하여 가중치를 업데이트합니다. 모델이 학습 데이터의 잡음에 지나치게 밀접하게 맞춰지면 과적합이 발생할 위험이 있으며, 반대로 기본 추세를 포착하기에 모델이 지나치게 단순하면 과소적합이 발생합니다.

AI의 실제 활용 사례#

선형 회귀는 데이터 분석에서 단순한 예측 모델링과 연관되는 경우가 많지만, 그 원리는 고급 딥 러닝 (DL) 아키텍처에도 깊이 내재되어 있습니다.

• 재무 예측: 분석가는 면적, 위치 또는 이전 시장 동향과 같은 과거 데이터 포인트를 기반으로 주택 가격, 주식 가치 또는 판매 수익을 예측하는 데 회귀를 사용합니다.
• 컴퓨터 비전 및 객체 탐지: YOLO26 모델 제품군과 같은 최신 객체 탐지기는 탐지 헤드에서 회귀를 활용합니다. 구체적으로 모델은 이미지 내 객체의 정확한 연속 좌표(중심 x, 중심 y, 너비, 높이)를 예측하기 위해 "바운딩 박스 회귀"를 수행합니다.

선형 회귀와 로지스틱 회귀 비교#

이 용어를 로지스틱 회귀와 구분하는 것이 중요합니다. 두 방법 모두 선형 모델이지만 출력은 크게 다릅니다. 선형 회귀는 연속적인 수치 값(예: 자동차 가격)을 예측합니다. 반면 로지스틱 회귀는 분류 작업에 사용되며, 시그모이드 함수와 같은 활성화 함수를 통해 선형 출력을 전달하여 입력이 특정 범주에 속할 확률(예: 이메일이 "스팸"인지 또는 "스팸이 아닌지")을 예측합니다.

예시: 객체 탐지에서의 회귀#

컴퓨터 비전에서 Ultralytics YOLO26과 같은 모델이 객체를 탐지할 때 바운딩 박스 좌표는 회귀 작업의 결과입니다. 모델은 객체의 위치를 정확하게 지정하기 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()}")

특수한 데이터셋에 이러한 회귀 기능을 활용하는 사용자 지정 모델을 학습하려는 사용자는 간소화된 어노테이션 및 클라우드 학습을 위해 Ultralytics Platform을 활용할 수 있습니다. 이러한 기본 회귀 원리를 이해하면 인공 지능 (AI) 및 컴퓨터 비전의 복잡한 작업을 숙달하기 위한 탄탄한 기반을 마련할 수 있습니다.