머신러닝 시뮬레이션 사용법 — K-Means부터 XGBoost까지 코드 없이 원리 관찰
코드 한 줄 없이, 슬라이더와 버튼만으로 아홉 가지 머신러닝 알고리즘이 어떻게 판단하는지 눈으로 확인하는 도구입니다.
어떤 상황에서 쓰는 도구인가요
머신러닝 공부는 보통 코드부터 시작합니다. fit() 한 줄을 실행하면 결과는 나오지만, 그 안에서 무슨 일이 일어났는지는 여전히 블랙박스로 남습니다. K가 3이면 왜 군집이 저렇게 나뉘는지, 트리는 어떤 기준으로 가지를 뻗는지, 학습률을 키우면 무엇이 달라지는지 — 코드만 봐서는 감이 잘 잡히지 않습니다.
이 시뮬레이터는 순서를 뒤집습니다. 코드를 걷어내고 알고리즘의 중간 과정을 화면에 펼쳐 놓았습니다. 파이썬을 아직 모르는 입문자도, 이미 코드를 쓰지만 원리를 다시 잡고 싶은 분도, 값을 바꿔가며 결과가 달라지는 순간을 직접 관찰할 수 있습니다.
이 도구는 무엇을 하나요
상단의 아홉 개 탭이 각각 하나의 알고리즘(또는 평가지표)을 다룹니다. 탭마다 하이퍼파라미터 슬라이더가 있어 값을 바꾸면 시각화가 곧바로 갱신됩니다. K-Means·KNN·선형 회귀·로지스틱 회귀·결정 트리 탭에는 단계별 시뮬레이터와 인터랙티브 가이드 두 화면이 서브탭으로 나뉘어 있어, 먼저 개념을 단계별로 따라간 뒤 실제 예제 데이터로 값을 움직여볼 수 있습니다.
군집 — 🔵 K-Means
레이블 없는 데이터를 K개의 군집으로 묶는 비지도 학습입니다. 군집 개수(K) 슬라이더와 중심점 초기화 방식(무작위 선택 / 멀리 떨어뜨려 배치), 표준화 사용 여부를 정한 뒤 ▶ 한 단계 실행(할당 → 갱신) 버튼을 누르면 중심점이 한 걸음씩 이동합니다. ⏩ 수렴할 때까지 실행으로 끝까지 돌려 중심점이 멈추는 순간도 볼 수 있습니다. 인터랙티브 가이드에서는 고객 세분화 예제로 월 방문 횟수·월 지출액을 움직이며 새 고객이 어느 군집에 속하는지 확인합니다.
분류 — 🟣 KNN · 🔀 로지스틱 회귀 · 트리 계열
- 🟣 KNN — 가장 가까운 이웃 K명의 투표로 분류합니다. 사용할 이웃 수(K)와 거리 척도(유클리드/맨해튼), 투표 방식(일반 다수결/거리 가중 투표)을 바꾸면 판정이 뒤집히는 순간을 볼 수 있습니다. 표준화를 껐다 켜며 스케일이 결과에 미치는 영향도 확인해 보세요.
- 🔀 로지스틱 회귀 — 시그모이드로 확률을 만들고 경계를 긋는 분류기입니다. 분류 임계값(Threshold)과 L2 규제(λ) 슬라이더로, 임계값을 옮길 때 판정이 어떻게 달라지는지 관찰합니다.
- 🌿 결정 트리 — 데이터를 가장 잘 나누는 질문을 골라 가지를 뻗습니다. 최대 깊이(Max Depth)와 분할 조건 슬라이더로 트리가 자라고 잘리는 모양을 보고, 인터랙티브 가이드에서 분할·노드·예측 경로를 따라가 봅니다.
- 🌲 랜덤 포레스트 — 서로 다른 나무 여러 그루의 다수결입니다. 생성할 나무 개수(Forest Size)와 노드당 무작위 선택할 변수 개수를 조절하며 한 그루일 때와 숲일 때의 차이를 비교합니다.
- ⚡ XGBoost — 이전 나무가 남긴 오차를 다음 나무가 메우는 부스팅입니다. 학습률(Learning Rate, η)과 부스팅 트리 수(Estimators)를 바꾸며 예측이 단계적으로 정교해지는 과정을 봅니다.
- 🌗 LightGBM — Leaf-wise 성장·GOSS·EFB로 속도를 끌어올린 부스팅입니다. 리프 노드 개수(Num Leaves) 슬라이더와 GOSS의 큰 오차 보존율(a)·작은 오차 샘플율(b)을 조절하며, 데이터를 덜 보고도 정확도를 지키는 원리를 확인합니다.
회귀 — 📈 선형 회귀
점들 사이로 최적의 직선을 찾는 문제입니다. 수동 기울기(a)와 수동 절편(b) 슬라이더로 직선을 직접 움직여 보며 오차가 줄어드는 지점을 손으로 찾아보고, 인터랙티브 가이드에서 최소제곱·잔차·R²의 의미를 월 광고비 예제로 확인합니다. 직접 그은 선과 알고리즘이 찾은 선을 비교해 보면 '학습'이 하는 일이 분명해집니다.
모델 평가 — 📊 평가지표
마지막 탭은 알고리즘이 아니라 모델을 믿어도 되는지 판단하는 법을 다룹니다. 실제 양성 수·민감도(Recall)·특이도(Specificity) 슬라이더를 움직이면 혼동행렬의 TP/FN/FP/TN 네 칸과 지표 카드, ROC 곡선 & AUC가 실시간으로 다시 계산됩니다. 양성 비율을 극단으로 줄여 보면, 정확도(Accuracy)가 높아도 쓸모없는 모델이 되는 불균형 데이터의 함정을 숫자로 확인할 수 있습니다.
값을 바꿔가며 관찰하는 사용법
- 탭 고르기 — 상단에서 알고리즘 탭을 선택합니다. 처음이라면 K-Means → KNN → 선형 회귀 순서로, 군집·분류·회귀를 하나씩 체험하는 것을 권합니다.
- 기본값으로 한 번 실행 — 슬라이더를 건드리기 전에 기본 설정 그대로 실행해 기준이 되는 결과를 먼저 봐 둡니다.
- 한 번에 하나만 바꾸기 — 슬라이더 하나만 움직이고 결과가 어디서 어떻게 달라졌는지 확인합니다. 여러 값을 동시에 바꾸면 무엇 때문에 달라졌는지 알 수 없습니다.
- 극단값으로 밀어보기 — K를 최소·최대로, 깊이를 1과 5로, 학습률을 양 끝으로 보내 보세요. 알고리즘이 무너지는 지점에서 각 값의 역할이 가장 선명하게 드러납니다.
- 인터랙티브 가이드로 마무리 — 서브탭의 가이드 화면에서 실제 상황(고객 세분화, 합격 예측 등) 예제로 배운 내용을 적용해 봅니다.