P1-8.1 지도학습(supervised learning): 입력(input)과 라벨(label)¶

Section ID: P1-8.1 Version: v2026.07.20

7장에서는 탐색 공간(search space), 계산 한계(computational limit), 휴리스틱(heuristic)을 다뤘습니다. 이제 학습 유형으로 넘어갑니다. 첫 번째 기준점은 지도학습(supervised learning)입니다.

이 절의 핵심은 알고리즘이 아니라 라벨(label)입니다. 지도학습을 이해할 때는 “라벨이 무엇을 가리키는가”가 먼저 정리되어야 합니다. 라벨을 막연히 정답으로 이해하면, 모델이 무엇을 배우는지보다 사람이 어떤 기준을 데이터에 붙였는지를 놓치기 쉽습니다.

한국어 문맥에서는 라벨을 인식표에 가까운 말로 이해하는 편이 오해가 적습니다. 여기서 인식표는 대상을 정의하는 설명문이 아니라, 대상을 구분할 수 있게 붙인 표식입니다. 라벨은 데이터에 붙인 구분 표식이고, 라벨링(labeling)은 데이터에 그런 표식을 붙이는 일입니다. AWS와 IBM의 데이터 라벨링 설명도 원시 데이터(raw data)를 식별하고 라벨을 추가하거나 할당하는 과정으로 설명합니다. 이 표식은 모델이 따라가야 할 기준을 알려 주지만, 그 자체가 항상 절대적 진실이라는 뜻은 아닙니다.

이 절의 핵심 질문은 라벨이 무엇을 가리키며, 모델이 그 라벨 기준을 어떻게 따라가려 하는가입니다.

지도학습은 입력(input)과 라벨(label)이 함께 있는 예시(example)를 사용합니다. 모델은 새 입력이 들어왔을 때 라벨 기준에 맞는 출력을 만들도록 훈련(training)됩니다. 따라서 8.1에서 확인할 대상은 모델의 복잡한 내부보다 데이터에 붙은 라벨의 의미와 기준입니다.

지도학습은 라벨 목록을 외우는 일이 아니라, 입력과 라벨 사이의 관계를 맞추는 일이다.

Part 1에서 지도학습(supervised learning), 라벨(label), 라벨링(labeling), 타깃(target), 분류(classification), 회귀(regression)의 기본 구분은 이 절에서 잡습니다. 입력(input)과 출력(output)의 기본 구분은 4.2에서 먼저 봤고, 훈련(training)과 예측(prediction)의 실행 흐름은 5.1과 5.2에서 다뤘습니다. 7장에서는 탐색과 휴리스틱을 정리했으므로, 여기서는 학습 유형 중 라벨이 있는 데이터가 만드는 구조에 집중합니다.

지도학습, 라벨, 라벨링, 타깃, 분류, 회귀는 초반에 비슷한 데이터 처리 말처럼 들릴 수 있습니다. 우선 각 용어의 자리를 짧게 구분하면 다음과 같습니다.

이 절에서 유지해야 할 최소 구분은 지도학습은 라벨 있는 학습, 라벨은 목표 표식, 라벨링은 기준 만들기, 분류는 이름표, 회귀는 숫자입니다.

입력(input)과 출력(output)의 기본 구분은 4.2에서, 훈련(training)과 inference의 차이는 5장에서 먼저 정리했습니다. 여기서는 그 위에 라벨이 있는 예시가 어떻게 학습 신호가 되는가를 얹습니다.

여기서는 다음 정의를 기준선으로 둡니다.

지도학습은 입력과 라벨이 함께 있는 예시를 사용해 새 입력의 출력을 예측하도록 모델을 훈련하는 방식이다.

입력과 라벨로 학습 기준을 세우는 방식¶

• 라벨(label)이 지도학습에서 무엇을 지시하는지 이해합니다.
• 라벨을 정답보다 구분 가능한 인식표에 가까운 표현으로 이해합니다.
• 라벨링(labeling)을 데이터에 구분 표식을 붙이는 일로 설명할 수 있습니다.
• 지도학습(supervised learning)을 입력(input)과 라벨(label)이 함께 있는 예시로 이해합니다.
• 라벨(label), 타깃(target), 기대 출력(expected output)의 관계를 구분합니다.
• 분류(classification)와 회귀(regression)를 입문 수준에서 구분합니다.
• 라벨이 있다는 말이 항상 절대적 진실을 뜻하지 않는다는 점을 이해합니다.
• 지도학습, 비지도학습(unsupervised learning), 강화학습(reinforcement learning)을 섞지 않도록 준비합니다.

세 가지 기준¶

여기서는 지도학습 알고리즘보다 라벨(label)이 무엇인지 이해하는 데 목적을 둡니다. 아래 세 가지 기준이 잡히면 전체 흐름이 정리됩니다.

라벨은 학습 방향을 알려 주는 신호다¶

라벨(label)은 모델이 출력에서 맞추려는 목표를 데이터에 붙여 둔 값입니다. 지도학습에서 지도라는 말은 사람이 모델에게 매번 직접 지시한다는 뜻이 아닙니다. 훈련 데이터 안에 붙어 있는 라벨이 모델의 학습 방향을 알려 주는 신호로 쓰인다는 뜻에 가깝습니다.

예를 들어 고객 문의 문장에 배송, 환불, 교환 같은 라벨을 붙이면, 모델은 문장과 라벨 사이의 관계를 맞추도록 훈련됩니다. 가격 예측 데이터에 실제 판매 가격을 붙이면, 모델은 입력 조건과 숫자 라벨 사이의 관계를 맞추도록 훈련됩니다.

라벨은 그래서 단순한 이름표가 아닙니다. 더 정확히는 문제 정의 안에서 붙인 구분 표식입니다. 이 점에서 라벨은 2.1에서 본 기호(symbol)와 닮은 면이 있습니다. 사람이 어떤 대상을 배송, 환불, 교환처럼 구분 가능한 표식으로 나타내기 때문입니다. 다만 라벨링은 기호와 규칙을 직접 조작해 추론하는 기호 기반 AI(symbolic AI)와 같지는 않습니다. 라벨링은 머신러닝 모델이 학습할 데이터에 표식을 붙이는 준비 과정입니다.

라벨은 데이터에 붙인 구분 표식이다. 라벨링은 데이터에 구분 표식을 붙이는 일이다. 그 표식은 모델이 맞추도록 정한 목표 출력으로 쓰인다. 라벨 기준은 모델이 배우는 방향을 결정한다.

지도학습은 라벨이 있는 예시에서 시작한다¶

Google의 Machine Learning Glossary는 지도학습(supervised machine learning)을 입력 특징(features)과 그에 대응하는 라벨(labels)에서 모델을 훈련하는 방식으로 설명합니다. 또한 라벨이 있는 예시(labeled example)는 하나 이상의 특징과 하나의 라벨로 구성되며, 이런 예시가 훈련(training)에 사용된다고 설명합니다.

여기서는 먼저 입력(input)과 라벨(label)이 짝을 이룬 예시가 학습의 출발점이 된다는 구조를 붙잡습니다. 특징(feature)이 실제로 어떤 값이며 어떻게 표현되는지는 이어지는 절에서 다시 연결합니다.

입력(input) + 라벨(label) = 라벨이 있는 예시(labeled example)

예를 들어 고객 문의 분류를 생각해 봅니다.

모델은 이런 예시를 보고 새 문의 문장이 들어왔을 때 어떤 라벨이 어울리는지 예측(prediction)합니다.

새 입력: “주문한 상품이 아직 안 왔어요.” 모델 출력: 배송

여기서 중요한 점은 지도학습이 “사람이 미리 붙인 기준”을 사용한다는 점입니다. 라벨이 없다면 같은 문제라도 비지도학습이나 다른 방식으로 접근해야 합니다. 그래서 지도학습 문제를 볼 때는 모델 종류보다 먼저 라벨의 기준을 물어야 합니다.

라벨(label), 타깃(target), 기대 출력(expected output)¶

라벨(label)은 지도학습에서 모델이 맞추도록 주어진 목표 출력입니다. scikit-learn의 용어집은 target을 지도학습과 준지도학습에서 추정기의 fit 메서드에 y로 전달되는 종속 변수로 설명하고, 다른 이름으로 label도 듭니다.

여기서는 문맥에 따라 다음처럼 읽겠습니다.

한국어 입문 설명에서는 라벨을 정답처럼 부르는 경우가 많습니다. 하지만 이 표현은 조심해야 합니다. 라벨은 보통 특정 문제 정의(problem definition)와 데이터 수집 기준 안에서 정한 구분 표식입니다. 지도학습에서는 이 표식이 모델이 맞추려는 목표 출력으로 사용됩니다.

예를 들어 다음 문의를 봅니다.

“결제 취소하고 싶어요.”

이 문장은 라벨 체계에 따라 다르게 붙을 수 있습니다.

따라서 라벨(label)은 절대적 진실이라기보다, 특정 문제 정의 안에서 붙인 구분 표식이며 모델이 맞추도록 정한 목표 값입니다.

라벨은 문제 정의 안에서 붙인 구분 표식이다. 지도학습에서는 그 표식이 목표 출력으로 쓰인다. 문제 정의가 바뀌면 같은 입력의 라벨도 달라질 수 있다.

지도학습의 기본 흐름¶

지도학습의 기본 흐름은 다음과 같습니다.

라벨이 있는 예시를 모은다. 모델이 입력을 보고 출력을 예측한다. 예측과 라벨의 차이를 확인한다. 그 차이가 줄어드는 방향으로 모델을 훈련한다. 새 입력에 대해 예측한다.

고객 문의 예시로 보면 다음과 같습니다.

5.1에서 본 것처럼 훈련(training)은 모델 내부 값을 조정하는 절차입니다. 8.1에서는 그중에서도 라벨이 있는 경우를 지도학습으로 따로 부르는 이유를 잡는 것이 목적입니다.

분류(classification)는 범주형 라벨을 예측한다¶

분류(classification)는 입력을 정해진 범주(class)나 라벨(label) 중 하나 또는 여러 개로 나누는 지도학습 문제입니다. 여기서 핵심은 라벨의 형태가 범주라는 점입니다. Google의 Machine Learning Glossary는 classification model이 class를 예측하고, regression model은 숫자를 예측한다고 구분합니다.

예를 들어 고객 문의 유형을 고르는 문제는 분류입니다.

분류 문제의 출력은 보통 다음처럼 범주형입니다.

회귀(regression)는 숫자 라벨을 예측한다¶

회귀(regression)는 입력을 보고 연속적인 숫자 값을 예측하는 지도학습 문제입니다. 여기서 라벨은 범주명이 아니라 숫자 값입니다. Google의 용어집도 regression model이 숫자 값을 예측한다고 설명합니다.

예를 들어 다음은 회귀 문제입니다.

분류와 회귀는 모두 지도학습입니다. 차이는 라벨의 형태입니다. 이 절에서 분류와 회귀를 소개하는 이유도 알고리즘을 설명하기 위해서가 아니라, 라벨이 어떤 모양을 가질 수 있는지 보여 주기 위해서입니다.

입문 단계의 핵심 구분은 다음 한 줄입니다.

분류는 이름표를 고른다. 회귀는 숫자를 예측한다.

지도학습 데이터는 라벨 기준이 중요하다¶

지도학습에서는 라벨이 학습 신호입니다. 따라서 라벨 기준이 흔들리면 모델도 흔들립니다.

라벨링(labeling)은 데이터를 보고 구분 표식을 붙이는 일입니다. 그래서 라벨링은 단순 입력 작업처럼 보이지만, 실제로는 “무엇을 같은 것으로 볼 것인가”, “무엇을 구분할 것인가”를 정하는 작업입니다.

예를 들어 같은 고객 문의에 대해 사람마다 다르게 라벨을 붙이면 문제가 생깁니다.

이런 데이터는 “라벨이 있다”는 조건은 만족하지만, 좋은 지도학습 데이터라고 보기 어렵습니다. 모델이 맞춰야 할 기준이 일관되지 않기 때문입니다.

라벨 기준을 만들 때는 다음 질문이 필요합니다.

라벨은 업무 목적과 맞는가? 사람마다 같은 기준으로 붙일 수 있는가? 라벨이 서로 겹치지 않는가? 모델이 실제 입력만 보고 그 라벨을 예측할 수 있는가?

라벨 기준은 가능하면 데이터 설명과 함께 남겨야 합니다. Datasheets for Datasets 논문은 데이터셋의 동기, 구성, 수집 과정, 권장 사용 등을 문서화해 데이터 생산자와 사용자 사이의 소통을 개선하자는 제안을 합니다. 8.1 수준에서 중요한 점은 라벨 기준도 데이터셋을 이해하는 데 필요한 문맥이라는 사실입니다.

라벨이 있다는 말은 진실이 있다는 말이 아니다¶

지도학습은 흔히 “정답이 있는 데이터에서 학습한다”고 설명됩니다. 하지만 이 문장은 입문용 비유로만 읽어야 합니다. 더 정확하게는 “라벨이 있는 데이터에서 학습한다”입니다.

어떤 라벨은 비교적 명확합니다.

하지만 어떤 라벨은 사람의 판단, 정책, 시대적 기준, 측정 장치에 의존합니다.

Google의 Machine Learning Glossary도 사람 평가자가 라벨링에서 실수할 수 있고, 프록시 라벨(proxy label)은 실제 라벨이 없을 때 조심해서 선택해야 한다고 설명합니다.

따라서 지도학습에서 중요한 태도는 다음입니다.

라벨이 있으니 진실이 확실하다고 보지 않는다. 라벨이 어떤 기준으로 만들어졌는지 확인한다.

지도학습과 다른 학습 유형의 경계¶

8.1은 지도학습만 다룹니다. 다음 절과의 경계를 미리 잡아 두겠습니다.

딥러닝(deep learning)은 이 표와 같은 층위(level)가 아닙니다. 딥러닝은 여러 층의 신경망을 사용해 표현(representation)을 학습하는 접근이며, 지도학습에도 비지도학습에도 강화학습에도 함께 쓰일 수 있습니다.

체크리스트¶

• 지도학습(supervised learning)을 입력과 라벨이 함께 있는 예시에서 입력과 출력의 관계를 맞추는 학습 방식으로 설명할 수 있다.
• 분류(classification)와 회귀(regression)를 각각 범주형 라벨과 숫자 라벨 예측으로 구분할 수 있다.
• label, target, expected output이 같은 층위에서 어떻게 쓰이는지 설명할 수 있다.
• 라벨 기준이 업무 목적과 맞는지, 사람마다 일관되게 붙일 수 있는지 확인해야 함을 설명할 수 있다.
• 라벨이 있다는 말이 절대적 진실이 있다는 말은 아니라는 점을 설명할 수 있다.
• 비지도학습, 강화학습과의 경계를 입력-라벨, 구조 탐색, 보상 신호 기준으로 구분할 수 있다.
• 모델보다 먼저 라벨 기준과 데이터 문맥을 확인해야 한다는 점을 설명할 수 있다.

출처와 참고 자료¶

• Google for Developers, Machine Learning Glossary, 확인 날짜: 2026-06-23.
• scikit-learn, 1. Supervised learning, 확인 날짜: 2026-06-23.
• scikit-learn developers, Glossary of Common Terms and API Elements, 확인 날짜: 2026-07-19.
• AWS, What is Data Labeling?, 확인 날짜: 2026-06-23.
• IBM, What Is Data Labeling?, 확인 날짜: 2026-06-23.
• Timnit Gebru et al., Datasheets for Datasets, arXiv, 2018, 확인 날짜: 2026-06-23.