40회 ADsP 기출문제 · 해설

빅데이터 전략 도출을 위한 가치기반 분석은 기존 성과를 유지하는 데 그치지 않고, 비즈니스의 핵심에 객관적이고 통찰력 있는 데이터를 추출해 가치를 창출하는 것을 목표로 합니다. 일차적 분석 경험을 늘려 활용 범위를 전략적으로 넓혀야 하고, 통찰력을 주는 분석을 내재화하는 일은 쉽지 않습니다. 그래서 기존 성과 유지가 가장 중요한 목표라는 설명이 틀렸습니다.
시험 포인트: 가치기반 분석 = 가치 창출 가능성과 시점이 중요(기존 성과 유지가 목표 아님)

기업 내부 데이터베이스 시스템에는 ERP(전사적 자원관리), SCM(공급망 관리), KMS(지식 관리 시스템) 등이 있습니다. ITS는 지능형 교통 시스템(Intelligent Transportation System)으로 전자·정보·통신·제어 기술을 교통체계에 접목한 것이어서 기업 내부 데이터베이스 시스템이 아닙니다.
시험 포인트: 기업 내부 DB 시스템 = ERP·SCM·KMS, ITS = 지능형 교통 시스템

음성, 이미지, 동영상, 텍스트 같은 데이터는 비정형 데이터(Unstructured Data)입니다. 정형 데이터는 관계형 데이터베이스와 연계된 시스템으로 수집하는 데이터(ERP, 엑셀)이고, 반정형 데이터는 HTML, XML, JSON처럼 구조 정보가 데이터에 함께 들어 있는 형태입니다.
시험 포인트: 정형 = DB·엑셀, 반정형 = HTML·XML·JSON, 비정형 = 음성·이미지·동영상·텍스트

데이터의 최소 단위는 비트(bit)이고 이진수 하나로 이루어집니다. 바이트(byte)는 8비트를 묶은 단위로 컴퓨터 기억장치의 크기를 나타낼 때 쓰이며 ASCII 문자 하나를 나타낼 수 있습니다. 그래서 바이트가 이진수 하나로 이루어진 최소 단위라는 설명이 틀렸습니다.
시험 포인트: 비트(bit) = 데이터 최소 단위, 바이트(byte) = 8비트

빅데이터가 만드는 본질적인 변화는 질에서 양으로, 사전처리에서 사후처리로, 표본조사에서 전수조사로, 인과관계에서 상관관계로의 이동입니다. 나는 표본조사와 전수조사가, 라는 인과관계와 상관관계가 서로 뒤바뀌어 틀렸습니다. 가와 다만 올바릅니다.
시험 포인트: 빅데이터의 변화 = 질→양, 사전처리→사후처리, 표본조사→전수조사, 인과관계→상관관계

개인신용평가는 점수나 등급처럼 정답이 있는 결과를 예측해야 하므로 지도 학습이 필요합니다. 군집분석은 정답 없이 유사한 대상을 묶는 비지도 학습이어서 개인신용평가에 활용한다는 설명이 틀렸습니다. 소셜 네트워크 분석으로 쇼핑몰을 추천하거나 연관분석으로 침입자를 찾는 활용은 옳습니다.
시험 포인트: 신용평가 = 지도 학습(분류·예측), 군집분석 = 비지도 학습

가트너가 본 데이터 사이언티스트의 역량은 데이터 관리, 분석 모델링, 비즈니스 분석, 소프트 스킬입니다. 조직관리는 이 역량에 포함되지 않으므로 역량이 아닌 것입니다.
시험 포인트: 가트너가 본 데이터 사이언티스트 역량 = 데이터 관리·분석 모델링·비즈니스 분석·소프트 스킬

하드 스킬은 머신러닝, 모델링, 데이터 기술 같은 기술적 역량으로, 빅데이터에 대한 이론적 지식과 분석 기술에 대한 숙련이 포함됩니다. 커뮤니케이션 능력, 통찰력 있는 분석, 설득력 있는 전달은 소프트 스킬에 해당합니다.
시험 포인트: 하드 스킬 = 빅데이터 이론 지식·분석 기술 숙련, 소프트 스킬 = 통찰력·설득력·협력

데이터베이스의 특징은 통합 데이터, 저장 데이터, 공용 데이터, 변화하는 데이터입니다. 공동 접근이 가능하고, 데이터가 중복되지 않으며, 추가·삭제·갱신으로 항상 변하는 점은 모두 맞습니다. 데이터베이스는 응용프로그램에 종속되지 않는 것이 특징이므로 응용프로그램 종속성은 적절하지 않습니다.
시험 포인트: 데이터베이스 특징 = 통합·저장·공용·변화하는 데이터 (응용프로그램에 독립)

빅데이터는 석탄과 철이 산업혁명을 이끌었던 것처럼 제조업뿐 아니라 서비스 분야의 생산성도 획기적으로 높일 것으로 기대됩니다. 그래서 서비스 산업이 축소되고 제조업의 생산성이 감소했다는 설명이 틀렸습니다.
시험 포인트: 빅데이터의 변화 = 산업 전반의 생산성 향상, 비용 절감, 데이터 플랫폼화

분석 주제 유형은 분석 대상(what)과 분석 방법(how)을 아는지에 따라 최적화, 솔루션, 통찰, 발견의 4가지로 나뉩니다. 관찰이 아니라 통찰이므로 최적화, 솔루션, 관찰, 발견이라는 설명이 틀렸습니다. 4가지 영역을 넘나들 수 있고, 최적화는 분석 대상과 방법을 모두 알 때 사용합니다.
시험 포인트: 분석 주제 4유형 = 최적화(둘 다 앎)·솔루션(방법 모름)·통찰(대상 모름)·발견(둘 다 모름)

시뮬레이션과 최적화, 빅데이터 관리 환경, 비주얼 분석, 분석 전용 서버를 갖추는 단계는 분석 성숙도의 확산 단계입니다. 도입 단계는 데이터 웨어하우스, 데이터 마트, ETL, OLAP 같은 기본 환경을, 활용 단계는 실시간 대시보드와 통계분석 환경을, 최적화 단계는 분석 협업 환경과 분석 Sandbox, 프로세스 내재화를 갖춥니다.
시험 포인트: 분석 성숙도(IT 부문) = 도입 → 활용 → 확산 → 최적화

분석기획 단계에서 작성하는 프로젝트 범위 정의서(SOW)에는 비즈니스 이해와 프로젝트 범위 같은 내용이 들어갑니다. 데이터 확보 계획과 프로젝트 관리 방안(일정·예산·품질·인력·의사소통 계획)은 작업 분할 구조도(WBS)와 수행 계획에 포함되는 내용입니다.
시험 포인트: 범위 정의서(SOW) = 비즈니스 이해·프로젝트 범위, WBS = 데이터 확보·분석 방법·일정·예산·품질·인력

CRISP-DM의 모델링 단계에서는 데이터 분할, 모델링 기법 선택, 모델링 작성, 모델 평가를 수행합니다. 데이터 통합은 분석용 데이터셋 선택, 데이터 정제, 데이터 통합, 데이터 포맷팅을 하는 데이터 준비 단계의 작업이므로 모델링 단계의 태스크로 적절하지 않습니다.
시험 포인트: CRISP-DM 6단계 = 업무 이해 → 데이터 이해 → 데이터 준비 → 모델링 → 평가 → 전개

조직에 분석 문화를 정착시키려면 분석 조직과 인력에 대한 지속적인 교육과 훈련, 변화 관리가 필요합니다. 데이터 기반 의사결정과 모든 구성원이 데이터를 업무에 활용하도록 하는 시도는 바람직하고, 경영진 대상의 한시적 속성 교육은 지속적이지 않아 하지 않아야 할 행동입니다.
시험 포인트: 분석 문화 정착 = 지속적 교육·훈련 + 변화 관리 + 데이터 기반 의사결정

하향식 접근은 문제 탐색, 문제 정의, 해결방안 탐색, 타당성 검토 순으로 진행합니다. 프로토타이핑 모형은 문제 정의가 어려울 때 신속하게 모형을 만들어 개선해 가는 상향식 접근에 쓰이므로 하향식과 관련이 없습니다.
시험 포인트: 하향식 = 문제 탐색 → 문제 정의 → 해결방안 탐색 → 타당성 검토, 프로토타입 모델 = 상향식

조직 안에 별도의 독립적인 분석 전담 조직을 두어 회사의 모든 분석 업무를 맡기고, 전사 분석 과제를 전략적 중요도에 따라 우선순위를 정해 추진하는 구조는 집중형 구조입니다. 일부 협업 부서와 분석 업무가 중복되거나 이원화될 수 있습니다. 기능 구조는 각 부서가 직접 분석하고, 분산 구조는 분석 인력이 현업 부서에 배치됩니다.
시험 포인트: 집중형 = 독립 전담 조직·우선순위 추진, 기능 구조 = 부서가 직접 분석, 분산 구조 = 현업 부서 배치

빅데이터 분석 방법론의 분석 기획 단계는 프로젝트 범위 설정, 데이터 분석 프로젝트 정의, 프로젝트 수행계획 수립, 데이터 분석 위험 식별 순으로 진행합니다. 범위를 먼저 정한 뒤 프로젝트를 정의하고, 수행계획을 세운 다음 위험을 식별합니다.
시험 포인트: 분석 기획 = 범위 설정 → 프로젝트 정의 → 수행계획 수립 → 위험 식별

목표 시점별 분석 기획 방안에서 과제 중심적 접근은 Speed & Test, Quick-Win, Problem Solving을 특징으로 합니다. Accuracy & Deploy는 마스터 플랜 단위의 중장기적 접근의 특징이므로 과제 중심적 접근과 연관성이 낮습니다.
시험 포인트: 과제 중심(단기) = Speed & Test·Quick-Win·Problem Solving / 마스터 플랜(중장기) = Accuracy & Deploy·Long Term View·Problem Definition

상향식 접근은 문제의 정의 자체가 어려울 때 데이터에서 출발해 문제를 찾는 방식으로, 분석 주제가 통찰이나 발견일 때 쓰고 디자인 씽킹과 프로토타입 모델과도 연결됩니다. 분석 대상이 명확해 솔루션을 찾는 방식은 하향식 접근입니다.
시험 포인트: 상향식 = 문제 정의가 어려울 때(통찰·발견, 프로토타입), 하향식 = 대상이 명확할 때(솔루션)

주성분 개수는 누적 분산 비율(70~90% 수준), 평균 고윳값(고윳값이 평균 이상인 성분 선택), 스크리 플롯(그래프가 급격히 완만해지는 지점) 방법으로 정합니다. 전체변이 공헌도 방법이 다른 방법보다 항상 더 나은 결과를 낸다는 설명은 틀렸습니다. 분석 목적과 데이터에 맞춰 방법을 선택해야 합니다.
시험 포인트: 주성분 개수 선택 = 누적 분산 비율·평균 고윳값·스크리 플롯 (상황에 맞게 선택)

모집단을 서로 겹치지 않는 여러 층으로 나눈 뒤 각 층에서 무작위로 표본을 뽑는 방법은 층화추출법입니다. 집락추출은 모집단을 여러 집단으로 나누어 그중 몇 개를 고른 뒤 그 안에서 표본을 뽑고, 계통추출은 일련번호를 매겨 일정 간격으로 표본을 뽑습니다.
시험 포인트: 층화추출 = 층으로 분할 후 층별 무작위 추출, 집락추출 = 집단 선택, 계통추출 = 일정 간격

의사결정나무에서 엔트로피 지수는 −Σ pᵢ·log₂(pᵢ)로 계산합니다. 1−Σpᵢ²는 지니지수이고, Σ|xᵢ−yᵢ|는 맨해튼 거리이며, 1/(1+e^−z)는 시그모이드 함수입니다.
시험 포인트: 엔트로피 = −Σp·log₂p, 지니지수 = 1−Σp², 맨해튼 거리 = Σ|x−y|, 시그모이드 = 1/(1+e^−z)

F-β 지표는 정밀도와 재현율의 가중 조화평균으로, β가 클수록 재현율에 더 큰 가중치를 줍니다. F2는 재현율에 정밀도의 2배 가중치를 주고, F0.5는 정밀도에 재현율의 2배 가중치를 줍니다. 그래서 F0.5에서 정밀도에 2배 가중치를 준다는 설명이 옳고, F 뒤의 숫자는 재현율에 부여하는 가중치를 뜻합니다.
시험 포인트: F_β = (1+β²)·정밀도·재현율 ÷ (β²·정밀도+재현율), β=2는 재현율 중시, β=0.5는 정밀도 중시

summary 결과에서 최솟값 20.09는 wage 변수의 값입니다. education은 범주형 변수라 최솟값을 구할 수 없고 수준별 빈도(HS Grad 971명 등)만 나옵니다. 그래서 education의 최솟값이 20.09라는 설명이 틀렸습니다. wage는 평균이 중앙값보다 커서 오른쪽 꼬리가 긴 분포이고, 3rd Qu. 이상에는 값의 25%가 들어 있습니다.
시험 포인트: summary()에서 범주형 변수 = 수준별 빈도, 수치형 변수 = 최솟값·사분위수·평균·최댓값

계층적 군집 방법의 연결법에는 최단연결법, 최장연결법, 평균연결법, 중심연결법, 와드(Ward)연결법이 있습니다. 편차 연결법은 연결법의 종류가 아니므로 적절하지 않습니다.
시험 포인트: 계층적 군집 연결법 = 최단·최장·평균·중심·와드

분해시계열은 시계열에 영향을 주는 일반적인 요인을 시계열에서 분리해 분석하는 방법으로, 분해 요인은 추세요인, 계절요인, 순환요인, 불규칙요인의 네 가지입니다. 추세요인은 장기적으로 증가하거나 감소하는 경향, 계절요인은 요일·월·분기처럼 고정된 주기로 반복되는 변동, 순환요인은 경제 상황처럼 주기가 일정하지 않은 변동, 불규칙요인은 이 세 가지로 설명되지 않는 우연한 변동입니다. 환경 요인은 분해 요인에 들어가지 않습니다.
시험 포인트: 분해시계열 4요인 = 추세·계절·순환·불규칙

제시된 수식 (Σ|xᵢ−yᵢ|^p)^(1/p)는 민코프스키 거리입니다. 거리 차수 p가 1이면 맨해튼 거리, 2이면 유클리드 거리가 됩니다. 마할라노비스 거리는 변수 간 상관을 고려하는 다른 형태의 거리입니다.
시험 포인트: 민코프스키 거리, p=1 맨해튼 거리, p=2 유클리드 거리

의사결정나무의 불순도는 지니지수, 엔트로피지수, 카이제곱 통계량(또는 그 유의확률) 같은 지표로 측정합니다. 퍼셉트론은 인공신경망과 관련된 용어로 불순도 검사와 관련이 없습니다.
시험 포인트: 분류나무 불순도 지표 = 지니지수·엔트로피지수·카이제곱 통계량, 퍼셉트론 = 인공신경망

공분산은 단위 표준화가 되지 않아 값의 범위가 정해져 있지 않고, 부호로 두 변수의 방향성을 나타냅니다. −1에서 1 사이의 값을 갖는 것은 공분산을 표준편차의 곱으로 나눈 상관계수이므로 이 설명이 틀렸습니다. 두 변수가 독립이면 공분산은 0입니다.
시험 포인트: 공분산 = E[(x−E[x])(y−E[y])], 값의 범위 제한 없음 / 상관계수 = −1~1

카이제곱 검정에서 기댓값과 관측값의 차이가 클수록 검정통계량 값이 커지고, 그만큼 귀무가설이 맞을 가능성이 낮아져 유의확률이 작아집니다. 차이가 작으면 검정통계량이 작아지고 유의확률은 커집니다.
시험 포인트: 기댓값과 관측값의 차이 ↑ → 검정통계량 ↑ → 유의확률(p-value) ↓

재현율(Recall, 민감도)은 실제 True인 것 중에서 True로 예측해 맞힌 비율로 TP÷(TP+FN)입니다. 오분류표에서 TP=30, FN=70이므로 30÷(30+70)=3/10입니다.
시험 포인트: 재현율 = TP÷(TP+FN), 정밀도 = TP÷(TP+FP), 특이도 = TN÷(TN+FP)

확률밀도 함수가 0≤x≤1 구간에서 1인 균등분포이므로 기댓값은 구간의 중간값 (0+1)/2=0.5입니다. 적분으로 계산해도 ∫₀¹ x dx=1/2로 같은 결과입니다.
시험 포인트: 연속 균등분포의 기댓값 E(X) = (a+b)/2

변수마다 단위와 범위가 다르면 값이 큰 변수가 거리 계산이나 가중치 학습을 지배해 결과가 왜곡되므로, 모든 변수를 같은 기준으로 맞추는 스케일링(Scaling)을 사용합니다. 대표적으로 값을 0~1 범위로 바꾸는 정규화(Min-Max)와 평균 0, 표준편차 1로 바꾸는 표준화(Z-score)가 있습니다. 제거는 변수나 관측치를 없애는 것이고, 평균화는 값을 평균으로 요약하는 것이며, 범주화(binning)는 연속형 값을 구간으로 나누는 것이라 단위 차이를 해결하는 방법이 아닙니다.
시험 포인트: 단위가 다른 변수 = 스케일링(정규화 0~1·표준화 Z-score)

정규성 검정 방법에는 히스토그램, Q-Q plot, 첨도와 왜도, Shapiro-Wilk·Kolmogorov-Smirnov·Anderson-Darling 검정이 있습니다. 결정계수는 회귀모형의 설명력을 나타내는 값이어서 정규성 검정 방법이 아닙니다.
시험 포인트: 정규성 검정 = Q-Q plot·첨도와 왜도·Shapiro-Wilk·K-S 검정 (결정계수는 모형 설명력)

선형회귀모형 전체가 통계적으로 유의한지는 F통계량과 그 유의확률(p-value)로 확인합니다. 개별 회귀계수가 유의한지는 t통계량으로 확인합니다.
시험 포인트: 모형 유의성 = F통계량, 회귀계수 유의성 = t통계량

척도는 명목척도, 서열척도, 등간척도, 비율척도 순으로 담을 수 있는 정보의 양이 많아집니다. 명목척도는 범주를 구분만 하고, 서열척도는 순서까지, 등간척도는 간격이 같아 덧셈·뺄셈까지 가능하지만 절대 0점이 없습니다. 비율척도는 절대 0점이 있어 사칙연산과 비율 비교까지 할 수 있으므로 가장 많은 정보(데이터 양)를 담는 척도입니다. 키, 몸무게, 나이, 금액이 비율척도의 예입니다.
[출제 논란] 발문 모호: 데이터 양이 가장 많이 발생한다는 표현은 엄밀하지 않습니다. 척도가 담을 수 있는 정보의 양이 가장 많은 유형을 묻는 의도로 보고 시행처 정답을 따릅니다.
시험 포인트: 정보량 = 명목 < 서열 < 등간(절대 0 없음) < 비율(절대 0 있음·사칙연산 가능)

앙상블 기법은 여러 개의 분류 모형 결과를 종합해 정확도를 높이는 방법이며, 성능을 분산시켜 과적합을 줄입니다. 대표적으로 보팅, 배깅, 부스팅, 랜덤 포레스트, 스태킹이 있습니다. 일반적으로 상호 연관성이 낮은 모델을 결합할 때 가장 효과적입니다.
시험 포인트: 앙상블 = 보팅·배깅·부스팅·랜덤 포레스트·스태킹, 모델 간 상관이 낮을수록 효과적

두 사건 A, B가 독립이면 P(A∩B)=P(A)P(B)이므로 합집합의 확률은 P(A∪B)=P(A)+P(B)−P(A)P(B)입니다. 각 사건의 확률을 단순히 더한 값이 합집합의 확률과 같아지는 것은 두 사건이 동시에 일어날 수 없는 배반사건일 때이므로, 독립 사건이라고 한 설명이 가장 적합하지 않습니다. 전체 사건(표본공간)의 확률은 1이고, 원소가 하나뿐인 사건을 근원사건이라고 합니다. 이진 확률변수는 0 또는 1의 값을 갖는 확률변수입니다.
[출제 논란] 복수 정답 논란: 이진 확률변수는 0 또는 1의 값을 가질 뿐 그 확률이 0 아니면 1인 것은 아니므로, 이진 확률변수의 확률이 0 아니면 1이라는 설명도 엄밀히는 틀린 서술입니다. 독립과 배반의 혼동을 묻는 출제 의도로 보고 시행처 정답을 따릅니다.
시험 포인트: 독립 → P(A∪B) = P(A)+P(B)−P(A)P(B), 배반 → P(A∪B) = P(A)+P(B)

제1종 오류는 귀무가설이 참인데 기각하는 오류이고, 제2종 오류는 귀무가설이 거짓인데 채택하는 오류입니다. 그래서 귀무가설이 참인데 기각하는 것이 2종오류라는 설명이 틀렸습니다. 유의수준은 제1종 오류를 허용하는 최대 한계입니다.
시험 포인트: 제1종 오류 = 참인 귀무가설 기각, 제2종 오류 = 거짓인 귀무가설 채택

K-평균 군집은 사전에 군집 수 K를 정해야 하고, K가 원 데이터 구조에 맞지 않으면 좋은 결과를 얻기 어렵습니다. 알고리즘이 단순해 계층적 군집보다 많은 자료를 빠르게 처리하지만, 잡음과 이상치에 영향을 받기 쉽고 볼록한 형태의 군집을 가정하므로 비볼록한 군집이 있으면 성능이 떨어집니다.
시험 포인트: K-means = K 사전 지정 필요·이상치에 민감·볼록한 군집 가정

Y=f(x)에서 x는 입력값이나 원인을 나타내는 독립(설명)변수이고, Y는 독립변수의 영향을 받아 변하는 종속변수입니다. Y를 설명 변수로 보고 종속변수에 영향을 미친다고 한 설명이 틀렸습니다. 산점도, 잔차, 기초통계량에 대한 설명은 옳습니다.
시험 포인트: 독립(설명)변수 x → 종속변수 y, 잔차 = 관측값과 이론값의 차이

ARIMA(p, d, q)에서 p는 AR 차수, d는 차분 횟수, q는 MA 차수입니다. p=0이면 AR 부분이 없으므로 IMA(d, q) 모형이 됩니다. q는 차분이 아니라 MA 차수이고, ARIMA는 정상성을 확인해 차분 횟수를 정해야 하며, p와 d가 0이 아니라는 이유만으로 AR(p, d) 모형이 되지는 않습니다.
시험 포인트: ARIMA(p, d, q) = AR 차수 p·차분 d·MA 차수 q, p=0 → IMA(d, q), q=0 → ARI(p, d)

피어슨 상관계수가 0이면 두 변수 사이에 선형관계가 없다는 뜻입니다. 상관계수는 −1에서 1 사이의 값을 갖고, 상관관계가 높아도 인과관계가 있다고 할 수 없습니다. 스피어만 상관계수는 순위를 기준으로 하므로 선형이 아닌 비선형적인 관계도 나타낼 수 있습니다.
시험 포인트: 피어슨 r=0 → 선형관계 없음, 상관 ≠ 인과, 스피어만 = 순위 기반(비선형 관계 가능)

정상 시계열은 평균과 분산이 시점에 관계없이 일정하고, 공분산이 시점이 아니라 시차에만 의존합니다. 그래서 시계열 확률분포의 모수가 시점에 의존하지 않고 일정하다는 설명이 옳습니다. 정상성은 평균이 증가한다는 뜻이 아니고, 공분산이 시점에 의존하지 않으며, 이상값 유무와도 무관합니다.
시험 포인트: 정상성 = 평균 일정·분산 일정·공분산은 시차에만 의존

회귀모형을 해석할 때는 모형이 통계적으로 유의한지(F통계량), 회귀계수가 유의한지(t값), 모형이 데이터를 잘 적합하는지(결정계수, 잔차 진단), 선형성·독립성·등분산성·정규성 같은 가정을 만족하는지를 봅니다. 상관계수의 유의성은 회귀모형 해석의 고려사항이 아니므로 틀린 설명입니다.
시험 포인트: 회귀모형 해석 = 모형 유의성(F)·계수 유의성(t)·설명력(R²)·모형 가정 진단

선형회귀분석의 가정은 선형성, 독립성, 등분산성, 정규성입니다. 등분산성은 모든 관측치에 대해 오차들의 분산이 일정하다는 뜻입니다. 선형성은 독립변수 변화에 따라 종속변수가 선형으로 변하는 성질이고, 독립성은 잔차가 독립변수의 값과 관련이 없다는 뜻이며, 정규성은 잔차가 정규분포를 따른다는 뜻입니다.
시험 포인트: 회귀 가정 = 선형성·독립성(잔차)·등분산성·정규성(잔차)

다층 신경망에서 은닉층이 너무 많으면 역전파 과정에서 입력층 쪽으로 갈수록 기울기(gradient)가 점점 0에 수렴해, 앞쪽 은닉층의 가중치가 갱신되지 않는 기울기 소실 문제가 생깁니다. 지역 최솟값(Local Minima)은 전역 최솟값이 아닌 곳에서 학습이 멈추는 문제로 다른 현상입니다.
시험 포인트: 기울기 소실 = 역전파에서 앞쪽 층으로 갈수록 기울기가 0에 수렴

회귀식에서 weight는 종속변수이고 Time이 독립변수이며, Time의 계수 8.8030은 Time이 1 늘 때 weight의 평균이 8.8030 늘어난다는 뜻입니다. 결정계수 0.7007은 0.05와 비교하는 값이 아니고, F통계량과 Time의 p-value가 <2e-16이라 모형과 Time 모두 5% 수준에서 유의합니다.
시험 포인트: 회귀계수 = 독립변수 1 증가 시 종속변수의 평균 변화량, p-value < 0.05이면 유의

하이퍼볼릭 탄젠트(tanh) 함수는 시그모이드의 중심점을 0으로 옮겨 최적화가 느려지는 문제를 줄인 함수이며 출력 범위는 −1~1입니다. 따라서 0~1 사이의 값을 출력한다는 설명이 틀렸습니다. 소프트맥스는 다범주의 사후 확률을 구하고, 계단함수는 입력이 양수일 때 1, 음수일 때 0을 출력합니다.
시험 포인트: tanh = −1~1, sigmoid = 0~1, 계단함수 = 0 또는 1, 소프트맥스 = 다범주 확률