Enterprise Miner 활용 하기 (15) : 신경망 노드1

[#1]

안녕하세요 MYSAS 홍보대사 최준입니다.

오늘 연재할 주제는 바로 신경망 노드 분석에 관한 내용입니다.

먼저 신경망에 대한 배경지식에 대해서 살펴보겠습니다.

신경망에 대한 이해

인공신경망(artificial neural networks)에 관한 연구는 뇌 신경생리학으로부터 영감을 얻어 시작되었습니다.

생물체는 돌기를 통해 입력 신호(독립변수)를 받아들이고, 입력된 신호가 경계 값에 도달하면

세포는 출력 신호를 화학적으로 축색돌기에 전달합니다.

그리고 이 신호는 스냅스 간극을 통해 이웃 뉴련으로 전달되는 생화학적인 과정을 거칩니다.

신경망의 정의도 생물체의 생화학적인 과정과 비슷합니다.

1. 망에서 다른 뉴런으로 전파하기 위한 입력 신호를 출력 신호로 변환하는 활성함수

2. 뉴런의 연결 방법이나 층(layer)의 개수 뿐만 아니라 뉴런의 수를 표시하는 망 구성

3. 입력 신호에 뉴런의 비율을 억제하거나 반응하기 위해 어떻게 연결 가중치를 설정할지 명시하는 훈련 알고리즘

신경망 구조

일반적으로 신경망의 망 구조는 "층 layer의 개수", "망에서 정보가 back ward로 전파될 수 있는지 여부",

"망의 각 층 내에 있는 노드 개수" 와 같은 3가지 특징으로 나뉩니다.

그 중에서도 가장 널리 사용되는 모형은 MLP(Multilayer Perceptron, 다층 인식자) 입니다.

"입력층(Input layer)", "은닉층(Hidden layer)", "출력층(Output layer)" 구조로 되어있습니다.

- 입력층 : 각 입력변수에 대응되는 마디들로 구성되어 있습니다.

- 은닉층 : 여러 개의 은닉마디로 구성되어 있습니다. 각 은닉마디는 입력층으로부터 전달되는 변수값들의 선형결합을

             비선형함수로 처리하여 출력층 또는 다른 은닉층에 전달합니다.

- 출력층 : 목표변수에 대응하는 마디들을 갖습니다. 여러개의 목표변수 또는 세 개 이상의 수준을 가지는

   명목형 목표변수가 있을 경우에는 여러 개의 출력마디들이 존재합니다.

* 은닉층이 존재하지 않는 MLP 신경망은 선형 또는 비선형 회귀모형과 동일하게 되는 것을 알 수 있습니다.

활성함수

활성함수는 입력변수 또는 은닉마디의 결합을 변환하는 함수를 의미합니다.

함수(Activation Function)는 보통 S-자형의 비선형곡선의 형태를 가지게 되어 스쿼싱함수라고 불리기도 합니다.

신경망 노드의 단점(결과 해석이 어렵다!)

회귀분석이나 의사결정나무는 분석의 결과를 비교적 쉽게 해석하고 이로부터 유용한 정보를 얻을 수 있습니다.

반면에 신경망은 매우 유연하기는 하지만 결과를 해석하는 것이 매우 어렵습니다.

즉, 로지스틱 회귀분석이 제공하는 것과 같은 계수들에 대한 간편한 해석이 불가능하며,

어떤 입력변수가 중요한지 또는 그것들이 어떻게 상호 작용하는지를 결정하기가 어렵습니다

지금까지  신경망 노드에 대해서 살펴보았습니다.

다음절에서는 본격적인 예측 모델을 생성해보는 실습을 해보겠습니다. 

연재의 기본 바탕은 "데이터 마이닝 방법론(강현철 외 5인)" 책을 참조하였습니다~^^

기타 궁금하신점이 있으시면 댓글이나 쪽지로 문의해주세요!ㅋㅋ

감사합니다.