[이기적] 베이즈 기법 정리 (베이즈 정리 / 사전확률 / 사후확률 / 나이브 베이즈)
2026. 3. 13. 10:07ㆍCertifications/빅데이터분석기사 필기
1️⃣ 베이즈 기법(Bayesian Method)
✅ 개념
- 베이즈 기법은 사전 확률(Prior) 과 새로운 데이터를 이용하여 사후 확률(Posterior) 을 계산하는 통계적 방법
- 새로운 데이터가 추가될 때마다 확률을 갱신(Update) 하는 특징이 있음
🎯 포인트
- 기존 정보 + 새로운 데이터 → 확률 업데이트
- 확률 기반 통계 추론 방법
2️⃣ 베이즈 정리(Bayes' Theorem)
✅ 베이즈 정리 개념
- 베이즈 정리는 조건부 확률을 이용하여 사후 확률을 계산하는 확률 정리
- 베이즈 기법은 이 베이즈 정리를 기반으로 확률을 갱신하는 방법
📌
베이즈 정리 → 확률 계산 공식
베이즈 기법 → 이를 이용한 통계 추론 방법
✅ 베이즈 확률 구성 요소
| 확률 개념 | 의미 |
|---|---|
| 사전 확률 (Prior Probability) |
사건 발생 전의 초기 확률 |
| 우도 (Likelihood) |
특정 가설이 참일 때 데이터가 나타날 확률 |
| 사후 확률 (Posterior Probability) |
데이터를 반영하여 갱신된 확률 |
🎯 포인트
- Prior → Likelihood → Posterior
3️⃣ 베이즈 기법의 특징
✅ 특징
사전 지식 활용 가능
- 기존 데이터나 경험을 분석에 반영할 수 있다.
확률 기반 분석
- 불확실성이 존재하는 문제 해결에 적합하다.
데이터 증가 시 성능 향상
- 새로운 데이터가 추가될수록 확률이 업데이트된다.
🎯 포인트
- 데이터가 추가될수록 확률 갱신
4️⃣ 머신러닝에서의 베이즈 기법
- 베이즈 기법은 머신러닝에서 확률 기반 모델을 만드는 데 사용됨
🔹 예시
- 나이브 베이즈(Naive Bayes)
- 베이지안 네트워크
- 베이지안 회귀
🎯 포인트
- 특히, 텍스트 분류와 스팸 필터링에서 많이 활용됨
5️⃣ 나이브 베이즈(Naive Bayes)
✅ 개념
- 베이즈 정리를 기반으로 한 확률 기반 분류 알고리즘
- 각 특성이 서로 독립이라고 가정하는 것이 특징
✅ 특징
| 특징 | 설명 |
|---|---|
| 특성 독립 가정 | 각 변수들이 서로 독립이라고 가정 |
| 계산 속도 | 모델 구조가 단순하여 계산 속도가 빠름 |
| 데이터 요구량 | 작은 데이터에서도 비교적 좋은 성능을 보임 |
✅ 단점
- 변수 간 상관관계를 고려하지 못함
- 독립 가정이 현실과 맞지 않을 수 있음
6️⃣ 베이즈 기법 활용 분야
- 이메일 스팸 필터
- 문서 분류
- 추천 시스템
- 의료 진단
- 금융 리스크 분석
📊 시험 포인트 정리
🔥 1. 베이즈 기법
- 사전 확률 + 새로운 데이터 → 사후 확률 계산
🔥 2. 확률 개념 구분
| 개념 | 의미 |
|---|---|
| Prior | 사전확률 |
| Likelihood | 우도 |
| Posterior | 사후확률 |
🔥 3. 베이즈 정리
- 조건부 확률을 이용하여 사후 확률 계산
🔥 4. 나이브 베이즈 특징
- 특성 독립 가정
- 확률 기반 분류 알고리즘
📌 암기 핵심 요약
- Prior / Posterior 구분
- 베이즈 정리 개념
- Naive Bayes 특징
- 확률 기반 모델
2026 이기적 빅데이터분석기사 필기 기본서
(저자: 나홍석, 배원성, 이건길, 이혜영 | 출판사: 영진닷컴)
※ 본 글은 위 교재를 참고하여 학습 목적으로 재정리한 내용입니다.