[MLY] 모순된 데이터를 넣을지 여부를 결정하는 방법

 만약 뉴욕시의 집 값을 예측하는 것을 학습시키고 싶다고 가정하자, 집의 크기(입력값 x)가 주어지면, 이를 바탕으로 집 가격(출력값 y)을 예측하길 원할 것이다.

 뉴욕시의 집값은 매우 높다. 만약 미시건주의 디트로이트시의 집 값에 대한 정보를 가지고 있는데, 해당 집 값은 뉴욕시의 집값보다 더 낮다고 가정해보자. 이 데이터를 학습 데이터로 포함시킬 수 있을까?

 같은 크기의 x가 주어졌을 때, 집 값 y는 해당 집이 뉴욕시에 있냐, 디트로이트시에 있냐에 따라서 매우 다르게 나올 수 있다. 만약 뉴욕시의 집값을 예측하는 것에 대해서만 신경써야 한다면, 위와 같이 두개의 데이터를 사용하게 되면 성능이 안 좋아질 것이다. 이런 경우에는 모순된 디트로이트시의 데이터는 빼버리는 것이 더 낫다.^[각주:1]

 위와 같은 뉴욕시와 디트로이트시간의 집값 예제가 앞에서 다룬 모바일 고양이 이미지와 인터넷 고양이 이미지 예제와 어떤점이 다를까?

 고양이 이미지 예제는 위의 집값 예제와는 다른데, 그 이유는 입력 이미지 x가 주어졌을 때, 해당 이미지가 인터넷 이미지인지 모바일 이미지인지 알 필요 없이 고양이인지 아닌지를 안정적으로 판별할 수 있기 때문이다. 다시 말해 입력 x에 대해서 목표값 y를 맵핑시켜주는 함수 f(x)가 있다는 것이다. 이렇게 인터넷 이미지로부터 인식하는 작업 자체는 모바일 이미지로부터 인식하는 작업과 "연관성"이 있다. 이 말은 이렇게 모든 데이터를 추가하는 것이 (연산 리소스 측면 외적으로) 안 좋은 부분도 있지만, 한편으로는 몇몇 긍정적으로 좋은 부분이 있다는 것을 의미한다. 반대로 뉴욕시와 디트로이트시의 데이터는 서로 상관성이 없다. 같은 x에 대해서도(집의 크기), 집이 어디에 위치해있느냐에 따라서 가격이 매우 다르다.

 < 해당 포스트는 Andrew Ng의 Machine Learning Yearning 중 chapter 38. How to decide whether to include inconsistent data을 번역한 내용입니다.>

1. 뉴욕시와 다른 디트로이트 데이터 문제를 해결하는 방법이 하나 있는데, 각 학습 데이터 별로 도시를 나타내는 특성을 더 추가하는 것이다. 주어진 x에서(이제는 도시가 정의된 상태이다.) 구해야 할 값 y는 이제 덜 모호해졌다. 하지만 실제 상황에서 이렇게 작업하는 것을 자주 보지는 못했다. [본문으로]