CNN, KNN, ANN 간단 정리

CNN, KNN, ANN

1. CNN (Convolutional Neural Network)

• 정의: 딥 러닝 모델의 한 종류로, 주로 이미지 처리와 관련된 작업에서 사용됩니다.
• 특징:
  • 이미지의 공간적 특징(spatial features)을 추출하기 위해 합성곱(Convolution) 연산을 사용합니다.
  • 데이터 차원을 줄이기 위해 풀링(Pooling) 계층을 활용합니다.
  • 여러 계층을 통해 이미지의 저수준 특징(에지, 선 등)부터 고수준 특징(객체, 모양 등)까지 학습합니다.
• 주요 사용 사례:
  • 이미지 분류, 객체 탐지, 얼굴 인식, 의료 영상 분석 등.
• 장점:
  • 이미지 데이터를 다룰 때 매우 효과적이며, 자동으로 중요한 특징을 추출합니다.
  • 파라미터 수가 일반적인 ANN에 비해 적어 학습 속도가 더 빠를 수 있음.
• 단점:
  • 주로 2D 데이터(이미지)에 최적화되어 있어, 1D나 3D 데이터를 처리할 때는 변형이 필요함.

---

2. KNN (K-Nearest Neighbors)

• 정의: 비지도 또는 지도 학습에서 사용되는 간단한 머신 러닝 알고리즘으로, 새로운 데이터 포인트의 클래스 또는 값을 예측하기 위해 가장 가까운 k개의 데이터를 참조합니다.
• 특징:
  • 거리 측정(예: 유클리드 거리, 맨해튼 거리)을 사용하여 데이터 포인트 간의 유사성을 계산합니다.
  • 학습 단계가 없고, 예측 시 계산을 수행하는 Lazy Learning 알고리즘입니다.
• 주요 사용 사례:
  • 분류(Classification) 및 회귀(Regression) 문제.
  • 데이터가 단순하고, 명확한 군집 구조를 가질 때 효과적.
• 장점:
  • 간단하고 구현이 쉬움.
  • 모델 훈련 과정이 필요 없으며, 새로운 데이터를 바로 적용 가능.
• 단점:
  • 데이터가 많아질수록 계산량이 증가하여 비효율적.
  • 고차원 데이터에서 거리 계산이 정확하지 않을 수 있음(차원의 저주 문제).

---

3. ANN (Artificial Neural Network)

• 정의: 인간의 뇌에서 뉴런이 작동하는 방식을 모방한 딥 러닝 모델로, 입력 데이터를 여러 계층의 뉴런을 통해 처리하여 예측 결과를 출력합니다.
• 특징:
  • 다층 퍼셉트론(Multilayer Perceptron, MLP)을 기본 구조로 사용.
  • 입력층(Input Layer), 은닉층(Hidden Layer), 출력층(Output Layer)으로 구성.
  • 활성화 함수(Activation Function)를 사용하여 비선형성을 모델링.
• 주요 사용 사례:
  • 분류(Classification), 회귀(Regression), 시계열 예측, 텍스트 처리 등.
• 장점:
  • 구조가 유연하여 다양한 데이터 타입(이미지, 텍스트, 음성 등)에 적용 가능.
  • 복잡한 데이터에서 높은 성능을 발휘.
• 단점:
  • 하이퍼파라미터 튜닝이 어려움.
  • 많은 데이터와 계산 자원이 필요.

---

주요 차이점 비교

특징 CNN KNN ANN

	CNN	KNN	ANN
주요 목적	이미지와 공간적 특징 학습	거리 기반 유사성으로 예측	일반적인 데이터 패턴 학습
학습 방식	딥 러닝 (학습 필요)	머신 러닝 (학습 불필요)	딥 러닝 (학습 필요)
데이터 유형	이미지, 영상	구조화된 데이터	이미지, 텍스트, 구조화된 데이터
구조 복잡성	고도화된 계층 구조	간단한 알고리즘	다층 구조
계산 비용	중간~높음	데이터 크기에 따라 높음	중간~높음

---