1. 개요
Neural Network(신경망)는 인간의 뇌 신경세포가 정보를 처리하는 방식을 모방한 개념으로, 반복적인 학습 과정을 통해 입력과 출력 사이의 관계를 모델링하는 분석 기법이다.
신경망은 데이터로부터 패턴을 학습하고, 학습된 패턴을 바탕으로 분류, 회귀, 예측, 이상 탐지 등 다양한 문제에 활용된다. 단, 사람이 규칙을 직접 모두 정의하는 방식이 아니라 학습 데이터를 통해 가중치와 편향을 조정해 나간다는 점이 핵심이다.
2. 신경망 구조
- Input (입력층) : 학습을 위한 기초 데이터가 입력되는 계층
- Output (출력층) : 학습을 통해 도출된 결과값을 출력하는 계층
- Hidden (은닉층) : 다층 신경망에서 입력층과 출력층 사이에 존재하며, 입력층으로부터 전달된 변수값들의 선형 결합을 비선형 함수로 처리하여 출력층이나 다른 은닉층에 전달하는 계층
각 뉴런은 입력값에 가중치를 곱하고 편향을 더한 뒤 활성화 함수를 적용한다. 이 과정을 여러 층에서 반복하면 단순한 선형 관계뿐 아니라 복잡한 비선형 패턴도 표현할 수 있다.
3. 특징
- 예제를 통해 학습한다.
- 학습이 완료된 신경망은 학습되지 않은 입력에 대해서도 적절한 결과를 출력할 수 있다. (일반화)
- 새로운 입력이나 일부 유실된 정보가 주어져도 유사한 출력을 낼 수 있다. (연상 기억)
- 일부 뉴런이 고장 나거나 연결이 단절되어도 남아 있는 뉴런들에 의해 어느 정도 작동을 유지할 수 있다. (결함 허용성)
다만 일반화 성능은 학습 데이터의 품질과 양, 모델 구조, 학습 방법에 따라 달라진다. 학습 데이터에만 지나치게 맞춰지는 과적합이 발생하면 새로운 데이터에 대한 성능이 떨어질 수 있으므로 검증 데이터나 테스트 데이터를 사용해 성능을 확인하는 과정이 필요하다.
4. 비교
퍼셉트론이 하나의 뉴런 단위로 이루어진 기본 모델이라면, 신경망은 여러 뉴런과 계층이 연결되어 하나의 복잡한 정보 처리 구조를 이루는 모델이라고 볼 수 있다.
예를 들어 단일 퍼셉트론은 비교적 단순한 선형 분류 문제를 다루는 데 적합하지만, 은닉층을 포함한 신경망은 여러 뉴런의 조합을 통해 더 복잡한 입력 패턴을 학습할 수 있다.