- 데이터 모델의 개념을 예를 들어 설명할 수 있다.
- 분석 모델의 네 가지 유형(회귀·분류·군집·연관)을 구분할 수 있다.
- 데이터 분석에 쓰이는 다양한 도구를 알고, 상황에 맞게 선택할 수 있다.
생각 열기 — 지도는 왜 실제보다 단순할까?
지하철 노선도를 떠올려 보세요. 실제 지형·거리·곡선을 다 지우고 '역과 연결'이라는 핵심만 남겼죠. 덕분에 우리는 복잡한 도시에서도 길을 쉽게 찾아요. 데이터 모델도 똑같아요. 수많은 데이터에서 중요한 패턴·규칙만 뽑아 단순하게 표현한 것이죠. "공부 시간이 1시간 늘면 성적이 평균 5점 오른다" 같은 규칙 하나면, 새로운 학생의 성적도 예측할 수 있어요. 모델은 그렇게 데이터로 미래를 보는 안경이 됩니다.
일기예보, 넷플릭스 추천, 신용카드 이상거래 알림 — 모두 데이터 모델이 작동한 결과예요. 이 셋은 각각 '무엇을' 예측하거나 판단하는 모델일까요?
데이터 모델이란 — 데이터에서 찾은 규칙
데이터 모델(model)은 데이터 속의 패턴을 규칙으로 요약한 것이에요. 모델을 만드는 과정은 보통 이래요.
① 데이터 준비(2단원!) → ② 모델 선택(어떤 분석?) → ③ 학습(훈련): 데이터로 규칙을 찾음 → ④ 예측·해석: 새 데이터에 적용 → ⑤ 평가: 잘 맞는지 확인(5차시!). 이 과정을 반복하며 모델을 다듬어요.
중요한 건, "모든 모델은 틀리지만, 일부는 쓸모 있다"는 말이에요. 모델은 현실을 단순화한 것이라 완벽하진 않지만, 충분히 쓸모 있게 예측·설명해 주면 좋은 모델이에요. 그래서 '얼마나 쓸모 있는가(성능)'를 평가하는 게 중요하죠.
무엇을 하고 싶은가 — 분석 모델 4종
분석 모델은 목적에 따라 크게 넷으로 나뉘어요. 각 버튼을 눌러 무엇을 하는 모델인지, 정답을 알려 주며 배우는지(지도학습) 아닌지 살펴보세요.
네 가지 분석 모델을 비교해 보세요. 이 단원에서 회귀·군집·연관을 직접 다룹니다.
무엇으로 분석할까 — 데이터 분석 도구
같은 분석도 여러 도구로 할 수 있어요. 쉬운 것부터 전문적인 것까지, 상황에 맞게 고르면 돼요. 도구를 눌러 특징을 살펴보세요.
어떤 도구를 쓰든, 핵심은 좋은 질문을 던지고 결과를 비판적으로 해석하는 것이에요. 도구는 손과 발일 뿐, 머리는 사람이 써야 해요. 우리는 이 단원에서 도구 사용법보다 각 분석이 무엇을 하고 어떻게 해석·평가하는지에 집중합니다.
확인 문제
바로바로 채점!
1차시 확인 문제
4문항 · 즉시 채점
1데이터 모델에 대한 설명으로 가장 알맞은 것은?
2'내년 우리 가게의 매출액(숫자)을 예측'하는 데 알맞은 분석 모델은?
3다음 중 '정답(레이블)' 없이 데이터의 패턴을 찾는 비지도학습끼리 묶은 것은?
4[OX] 데이터 모델은 현실을 단순화한 것이므로 완벽하진 않지만, 충분히 쓸모 있으면 좋은 모델이다.
더 알아보기
교과서 너머의 이야기 — 클릭해서 펼쳐 보세요
개념지도학습 vs 비지도학습 — '정답표'가 있느냐
기계학습 모델은 크게 둘로 나뉘어요. 지도학습은 '문제와 정답'이 함께 있는 데이터로 배워요. 예를 들어 '이 사진은 고양이(정답)'라는 라벨이 붙은 사진 수천 장으로 학습하면, 새 사진도 고양이인지 맞힐 수 있죠(분류). '집 크기→가격(정답)' 데이터로 배우면 새 집의 가격을 예측해요(회귀). 반면 비지도학습은 정답표 없이 데이터 스스로의 패턴을 찾아요. 고객 데이터를 주면 '비슷한 사람끼리' 알아서 묶고(군집), 거래 데이터에서 '함께 팔리는 것'을 발견하죠(연관). 정답을 일일이 달아 주기 어려운 현실에서 비지도학습은 특히 유용해요. 이 단원의 회귀(지도)와 군집·연관(비지도)을 배우면 두 갈래를 모두 경험하게 됩니다.
실전데이터 과학자의 도구상자 — 파이썬이 사랑받는 이유
데이터 과학에서 파이썬이 특히 인기 있는 이유는 강력한 라이브러리(도구 모음) 덕분이에요. 표를 자유자재로 다루는 판다스(pandas), 그래프를 그리는 맷플롯립(matplotlib), 기계학습 모델을 손쉽게 만드는 사이킷런(scikit-learn) 같은 도구들이 무료로 공개돼 있죠. 덕분에 몇 줄의 코드로 회귀·군집·연관 분석을 할 수 있어요. R은 통계 분석과 시각화에 특히 강해 연구자들이 즐겨 쓰고, 엑셀·구글 시트는 누구나 쉽게 시작할 수 있죠. 최근에는 코드 없이 마우스로 분석하는 노코드 도구도 늘고 있어요. 도구는 점점 쉬워지지만, 변하지 않는 건 "무엇을 왜 분석하고, 결과를 어떻게 해석하느냐"는 사람의 판단이랍니다.
생각"모든 모델은 틀리다, 그러나 일부는 쓸모 있다"
통계학자 조지 박스의 유명한 말이에요. 모델은 현실 그 자체가 아니라 현실을 단순화한 근사치예요. 일기예보 모델이 내일 날씨를 100% 맞히지 못하고, 추천 모델이 가끔 엉뚱한 영화를 추천하는 것도 이 때문이죠. 그렇다고 모델이 쓸모없는 건 아니에요 — '대체로 잘 맞으면' 충분히 유용하니까요. 중요한 건 모델을 맹신하지 않는 태도예요. 모델이 내놓은 예측을 '참고'하되, 틀릴 수 있음을 알고 비판적으로 활용해야 해요. 특히 사람의 삶에 큰 영향을 주는 결정(대출 심사, 채용 등)에 모델을 쓸 때는 더욱 신중해야 하죠. 모델의 '한계'를 아는 것이야말로 데이터 과학자의 진짜 실력이랍니다.