모수적 방법, 비모수적 방법

모수적 방법(Parametric Method)과 비모수적 방법(Non-Parametric Method)

머신러닝이나 통계학에서 데이터를 다룰 때, 우리가 사용하는 모델은 크게 모수적 방법과 비모수적 방법으로 나눌 수 있습니다.

두 방법의 차이를 이해하면, 어떤 상황에서 어떤 모델을 선택해야 하는지 보다 명확하게 판단할 수 있습니다.

 

먼저 간단하게 설명하자면, 모수적 방법은 저번 게시글 처럼 추론의 중점입니다. f를 알아야 할 때 무조건 적으로 모수적 방법을 사용합니다. 이와 반대로 f를 굳이 안알도 될 경우에는 비모수적 방법을 사용하여서 정확도를 올리는 것에만 집중하면 됩니다.

 

모수적 방법

모수적 방법이란, 고정된 개수의 파라미터를 가진 모델을 사용하여 데이터를 설명하는 방법입니다. 즉, 데이터가 주어지면 우리는 특정한 수학적 형태(선형 회귀)를 가정하고, 그 가정된 모델의 파라미터를 학습하는 방식입니다.

 

모수적 방법은 미리 정해진 구조를 따르며, 고정된 수의 파라미터를 사용하여 학습이 빠르지만, 데이터의 복잡성을 충분히 반영하지 못할 수 있습니다.

 

 

---

비모수적 방법

비모수적 방법은 모델이 특정한 형태를 따르지 않고, 데이터에 따라 유연하게 변하는 방법을 의미합니다. 즉, 데이터가 많아질수록 모델의 복잡성이 증가할 수 있습니다.

비모수적 방법은 고정된 수의 파라미터가 없으며, 데이터에 따라 모델 구조가 변화해 유연성이 높지만, 학습이 느리고 과적합 가능성이 있습니다.

 

EX ) k-최근접 이웃(k-Nearest Neighbors, k-NN)

 

 

 

모수적 방법과 비모수적 방법은 각각 장단점이 있으며, 데이터의 특성과 목표에 따라 적절한 방법을 선택하는 것이 중요합니다. 단순하고 해석이 쉬운 모델이 필요한 경우 모수적 방법을, 복잡한 패턴을 학습해야 하는 경우 비모수적 방법을 고려하는 것이 좋습니다. 또한, 하이브리드 접근법도 가능하므로, 다양한 시도를 통해 최적의 방법을 찾는 것이 중요합니다.