데이터 라벨 보유 여부에 따른 ML 접근법 선택 프레임워크

Context

비즈니스 목표에 부합하는 머신러닝 모델 선정 시 데이터셋의 정답지(Label) 존재 여부가 결정적 제약 사항으로 작용함. 무분별한 알고리즘 채택보다 데이터의 구조적 특성과 예측 목표의 명확성에 기반한 전략적 선택이 필수적임.

Technical Solution

• Label 데이터 기반의 패턴 학습을 통한 신규 데이터 예측을 위해 Supervised Learning 채택
• 데이터 내 숨겨진 구조나 자연스러운 그룹화를 발견하기 위해 Unsupervised Learning 적용
• 특정 카테고리 분류를 위한 Classification 및 수치 예측을 위한 Regression 로직 설계
• 정답 정의가 불가능한 이상 징후 탐지를 위해 Anomaly Detection 구조 활용
• 데이터 차원 축소 및 효율적 특징 추출을 위한 Dimensionality Reduction 기법 적용
• 데이터 탐색 및 정제 단계의 Unsupervised 모델과 최종 예측 단계의 Supervised 모델을 결합한 하이브리드 파이프라인 구성