[P04CH01S02] 분석결과 해석

PART04: 빅데이터 결과해석

CHAPTER02: 분석결과 해석 및 활용

[P04CH01S02] 분석결과 해석

---

 

이 섹션은 "[P04CH01S01-S02] 분석모형 평가 및 개선" 의 요약 섹션이라고 보시면 됩니다.

앞에서 나왔던 내용이 대부분 중복 되어 출제됩니다.

---

 

 

1. 분석 모델별 결과 해석

 

1.1. 회귀 모델

• 평가 지표: MAE, MSE, MAPE, RMSE, RMSLE, R²(결정계수), 수정된 R²
• 잔차 분석: 잔차는 패턴이나 추세가 없어야 함
• 결정계수(R²): 회귀식이 변동을 얼마나 설명하는지 측정
• 딥러닝 모델: 상대오차 또는 평균 제곱근 편차(RMSE) 활용

2. 분류 모델

• 평가 방법: 클래스 별 예측 확률 정확도 확인
• 혼동 행렬(Confusion Matrix): 분류 모델 평가 지표
• ROC-AUC: ROC 곡선 아래 면적(AUC)로 모델 성능 측정

3. 군집 분석 모델

• 외부 평가: 군집이 얼마나 유사하게 그룹화되었는지 평가
• 내부 평가:
  • Dunn Index: 적절한 군집 개수 결정
  • 팔꿈치 기법(Elbow Method): 적절한 K 값 찾기
  • 실루엣 기법(Silhouette Score): 0~1 사이의 값, 1에 가까울수록 최적

4. 연관 분석 모델

• 주요 지표: 지지도(Support), 신뢰도(Confidence), 향상도(Lift)

---

2. 비즈니스 기여도 평가

 

2.1. 빅데이터 분석 목적

• 고객 인사이트, 제품 및 절차 효율성
• 디지털 서비스 개선
• 운영 최적화
• 디지털 마케팅
• 위기관리 시스템

(2) 분석 결과의 기여도 평가

• ROI(투자 수익률)로 평가

이기적 빅데이터분석기사 필기 2025 발췌

• (업무 효율성 향상에 대한 비율, 비용-효과 분석 등등)

---

3. 분석 모델별 시각화 기법

(1) 회귀 모델

 

• 히트맵

• 산점도 활용

https://ko.wikipedia.org/wiki/%EC%82%B0%EC%A0%90%EB%8F%84

(2) 분류 모델

• SVM: 산점도와 구분선 시각화

 

https://ko.wikipedia.org/wiki/%EC%84%9C%ED%8F%AC%ED%8A%B8_%EB%B2%A1%ED%84%B0_%EB%A8%B8%EC%8B%A0

• KNN: 평행좌표계 활용

https://luvris2.tistory.com/628

• 의사결정나무: 트리 다이어그램

 

(3) 딥러닝 모델

• Node-link Diagram: 뉴런과 연결 가중치 표현
• 차원축소(t-SNE, PCA): 2D 표현
• 측정 선도표: 진행상황 추적

(4) 군집 분석 모델

• 산점도를 활용하여 시각화
  
  

https://namu.wiki/w/%EA%B5%B0%EC%A7%91%20%EB%B6%84%EC%84%9D

(5) 연관 분석 모델

• 네트워크 그래프 활용

https://sarak.yes24.com/blog/caya0921/review-view/12267904

 

 

 

 

---

 

💡 도움이 되셨다면 댓글과 공감 부탁드립니다! 😊
📌 더 많은 알고리즘 풀이와 프로그래밍 자료는 블로그에서 확인하세요!
✉️ 문의나 피드백은 댓글이나 이메일로 남겨주세요.