P2-13.1 그래프(plot)는 무엇을 드러내는가¶

Section ID: P2-13.1 Version: v2026.09.15

손실값의 변화¶

학습 중 손실의 변화를 설명하기 위한 가상 기록입니다. 표에서는 세 번째 값이 1.12라는 사실을 정확히 읽을 수 있고, 선 그래프에서는 감소 폭이 점차 작아지는 모양을 볼 수 있습니다.

epoch	loss
1	2.40
2	1.65
3	1.12
4	0.86
5	0.79

첫 구간의 감소 폭은 2.40 - 1.65 = 0.75, 마지막 구간은 0.86 - 0.79 = 0.07입니다. 다음 코드는 순서가 있는 다섯 손실값을 점으로 찍고 선으로 연결합니다.

import matplotlib.pyplot as plt

epochs = [1, 2, 3, 4, 5]
loss = [2.40, 1.65, 1.12, 0.86, 0.79]

fig, ax = plt.subplots()
ax.plot(epochs, loss, marker="o")
ax.set_xlabel("epoch")
ax.set_ylabel("loss")
ax.set_title("Loss decreases over epochs")
plt.show()

위 코드를 실행하면 다음처럼 epoch가 늘어날수록 loss가 내려가는 모양을 확인할 수 있습니다.

에폭이 늘수록 손실이 감소하는 선 그래프

세 언어의 그래프 파일은 같은 데이터로 생성합니다. 다음 스크립트는 이 절의 SVG 자산을 다시 만듭니다. 본문 코드는 화면 확인에 plt.show()를 사용하고, 스크립트는 파일 저장 후 그림을 닫습니다.

p2_13_1_plot_questions.py

1	`python docs/assets/part-02/chapter-13/p2_13_1_plot_questions.py`

같은 평균, 다른 변화¶

동작 A의 구간별 값은 [1.0, 2.0, 2.0, 1.0], 동작 B는 [1.5, 1.5, 1.5, 1.5]입니다. 두 평균은 모두 1.5지만 A는 중간에 높아지고 B는 일정합니다. 평균 하나를 그리면 이 차이가 사라지므로 구간별 값을 비교합니다.

import matplotlib.pyplot as plt

steps = [1, 2, 3, 4]
action_a = [1.0, 2.0, 2.0, 1.0]
action_b = [1.5, 1.5, 1.5, 1.5]

fig, ax = plt.subplots()
ax.plot(steps, action_a, marker="o", label="action A")
ax.plot(steps, action_b, marker="o", label="action B")
ax.set_xlabel("segment")
ax.set_ylabel("signal level")
ax.set_title("Same mean, different pattern")
ax.legend()
plt.show()

평균이 같아도 구간별 패턴이 다른 두 신호

변화·관계·분포·이상값¶

그래프는 값의 변화, 변수 사이 관계, 값이 몰린 구간, 다른 값들과 떨어진 관측을 보여 줍니다.

질문	그래프가 도와주는 것	예시
변화(trend)	시간이나 순서에 따라 값이 어떻게 움직이는지 본다	학습 epoch별 loss
관계(relationship)	두 값이 함께 움직이는지 본다	공부 시간과 점수
분포(distribution)	값이 어디에 몰려 있는지 본다	점수 분포, 오차 분포
이상값(outlier)	유난히 튀는 값이 있는지 본다	다른 측정값과 크게 떨어진 센서 값

공부 시간과 점수의 관계¶

예를 들어 학생 네 명의 데이터를 다시 봅니다.

name	study_hours	score
Kim	2	62
Park	4	71
Lee	6	82
Choi	8	88

이 표에서 값 자체를 보려면 표로 읽을 수 있습니다. 하지만 “공부 시간이 늘수록 점수도 함께 높아지는가?”를 보려면 산점도(scatter plot)가 더 자연스럽습니다.

import matplotlib.pyplot as plt

study_hours = [2, 4, 6, 8]
scores = [62, 71, 82, 88]

fig, ax = plt.subplots()
ax.scatter(study_hours, scores)
ax.set_xlabel("study hours")
ax.set_ylabel("score")
ax.set_title("Study hours and score")
plt.show()

점 하나는 학생 한 명입니다. Kim은 (2, 62), Choi는 (8, 88)에 찍힙니다. 네 학생의 기록에서는 공부 시간이 긴 학생일수록 점수가 높습니다.

공부 시간과 점수의 관계를 보여 주는 산점도

이 그래프는 원인을 증명하지 않습니다. 다만 두 값이 함께 움직이는 모양을 빠르게 확인하게 해 줍니다.

Figure와 Axes¶

Matplotlib 공식 문서는 데이터를 Figure 위에 그래프로 그린다고 설명합니다. Figure는 전체 그림이고, 그 안에는 하나 이상의 Axes가 들어갈 수 있습니다. Axes는 실제 데이터가 그려지는 좌표 영역입니다.

용어	직관
`Figure`	그림 전체 종이
`Axes`	실제 좌표와 데이터가 그려지는 칸
`plot`, `scatter`, `hist`	Axes 위에 데이터를 어떤 방식으로 그릴지 정하는 함수

plt.subplots()로 그림과 좌표 영역을 만들고 (1, 2), (2, 4), (3, 3)을 선으로 연결합니다.

fig, ax = plt.subplots()
ax.plot([1, 2, 3], [2, 4, 3])
plt.show()

plt.subplots()는 Figure와 하나의 Axes를 함께 만듭니다. 그다음 ax.plot(...)처럼 Axes에 데이터를 그립니다.

ax.set_xlabel(...)은 이 좌표 영역의 x축 이름을, ax.set_title(...)은 제목을 설정합니다. 한 Figure에 여러 Axes를 두면 같은 화면에서 여러 그래프를 비교할 수 있습니다.

질문에 따른 그래프 선택¶

Matplotlib 공식 문서는 여러 plot type을 제공합니다. 선 그래프(plot), 산점도(scatter), 막대 그래프(bar), 히스토그램(hist) 같은 기본 형태가 대표적입니다.

순서에 따른 변화인지, 범주 사이 비교인지에 따라 표현 방법을 고릅니다.

먼저 할 질문	자주 어울리는 그래프
순서에 따른 변화를 보고 싶은가	선 그래프(line plot)
두 값의 관계를 보고 싶은가	산점도(scatter plot)
범주별 크기를 비교하고 싶은가	막대 그래프(bar chart)
값이 어디에 몰렸는지 보고 싶은가	히스토그램(histogram)

이 표는 규칙이 아니라 출발점입니다. 실제 그래프 선택은 데이터의 모양, 독자의 질문, 전달하려는 메시지에 따라 달라질 수 있습니다.

축 범위와 해석¶

그래프는 많은 숫자를 한 화면에 압축합니다. 같은 데이터라도 축 범위와 표현 방식에 따라 인상이 달라집니다.

예를 들어:

축 범위(axis range)를 바꾸면 변화가 커 보이거나 작아 보일 수 있습니다.
점이 적은데 선으로 연결하면 실제보다 연속적인 변화처럼 보일 수 있습니다.
색상이나 면적을 과하게 쓰면 중요하지 않은 차이가 커 보일 수 있습니다.
평균만 그리면 분포나 이상값이 사라질 수 있습니다.

그래프를 볼 때는 항상 다음 질문을 같이 둡니다.

x축과 y축은 무엇인가?
한 점 또는 한 선은 무엇을 의미하는가?
빠진 값이나 숨겨진 범위가 있는가?
그래프가 보여 주는 것은 관찰인가, 해석인가?

같은 값, 다른 축 범위¶

시험 점수 [80, 82, 81, 83]의 최댓값과 최솟값 차이는 3점입니다. y축을 0~100으로 놓으면 변화가 작게 보이고, 79~84로 좁히면 같은 변화가 크게 보입니다.

attempts = [1, 2, 3, 4]
scores = [80, 82, 81, 83]
fig, axes = plt.subplots(1, 2, figsize=(8, 3.6), sharex=True)
for ax in axes:
    ax.plot(attempts, scores, marker="o")
    ax.set_xlabel("attempt")
    ax.set_ylabel("score")
axes[0].set_ylim(0, 100)
axes[0].set_title("Full range: 0 to 100")
axes[1].set_ylim(79, 84)
axes[1].set_title("Zoomed range: 79 to 84")
fig.tight_layout()
plt.show()

같은 점수를 넓은 축과 좁은 축으로 비교

오른쪽 그래프는 작은 변화를 살펴보는 데 유용하지만, 선의 가파른 모양을 큰 점수 차이로 읽으면 잘못된 해석입니다. 축을 확대해도 실제 차이는 3점입니다. 두 실험의 변화량을 비교할 때는 같은 축 범위를 쓰거나 범위 차이를 명확히 표시합니다.

점수 분포¶

점수 [45, 62, 71, 73, 82, 88, 90]을 다섯 구간으로 나누어 개수를 셉니다. 평균만으로 알 수 없는 값의 몰림과 퍼짐을 히스토그램으로 확인합니다.

import matplotlib.pyplot as plt

scores = [45, 62, 71, 73, 82, 88, 90]

fig, ax = plt.subplots()
ax.hist(scores, bins=5)
ax.set_xlabel("score")
ax.set_ylabel("count")
ax.set_title("Score distribution")
plt.show()

출력 결과는 점수 값이 어느 구간에 몰려 있는지 보여 줍니다.

점수 분포를 보여 주는 히스토그램

이 코드는 점수의 평균을 계산하지 않습니다. 대신 점수들이 어디에 몰려 있는지 확인합니다.

사례: 손실이 튄 구간 찾기¶

첫 예제의 손실 [2.40, 1.65, 1.12, 0.86, 0.79]에서 세 번째 값만 2.10으로 바꿔 다시 그려 봅니다. 처음과 마지막 값은 그대로지만, 두 번째에서 세 번째 구간은 0.45만큼 올라가고 다음 구간은 1.24만큼 내려갑니다. 선 그래프에는 세 번째 지점이 봉우리로 나타납니다.

전체 감소량 2.40 - 0.79 = 1.61만 기록하면 중간 상승을 놓칩니다. 그래프는 해당 구간을 다시 확인할 이유를 보여 줍니다. 다만 상승 원인이 데이터 배치, 학습 설정, 기록 오류 중 무엇인지는 그래프만으로 결정할 수 없습니다. 해당 반복의 입력과 설정 기록을 함께 확인해야 합니다.

이 그래프가 학습 데이터의 손실이라면 감소 추세만으로 새 데이터에 대한 성능을 판단할 수도 없습니다. 검증 데이터의 손실이나 평가 지표를 별도로 확인해야 합니다.

체크리스트¶

그래프는 숫자 표에서 바로 보이지 않는 모양, 변화, 관계, 분포를 드러내는 도구라고 설명할 수 있는가?
표는 정확한 값에 강하고, 그래프는 패턴 확인에 강하다는 차이를 말할 수 있는가?
Figure는 그림 전체, Axes는 데이터가 그려지는 좌표 영역이라고 구분할 수 있는가?
차트 종류를 먼저 외우기보다 데이터에 어떤 질문을 던지는지 먼저 정해야 한다는 점을 설명할 수 있는가?
선 그래프, 산점도, 막대 그래프, 히스토그램이 각각 어떤 질문에 자주 쓰이는지 말할 수 있는가?
그래프를 볼 때 축, 점의 의미, 숨겨진 범위, 해석 과잉 여부를 함께 점검할 수 있는가?
그래프가 판단의 시작점이지 원인이나 결론을 자동으로 증명하지는 않는다는 점을 기억하고 있는가?

출처와 참고 자료¶

Matplotlib Developers, Quick start guide, Matplotlib documentation, 확인 날짜: 2026-07-20. Figure, Axes, plt.subplots()를 구분해 설명하는 기준으로 확인했습니다.
Matplotlib Developers, Plot types, Matplotlib documentation, 확인 날짜: 2026-07-20. 선 그래프, 산점도, 막대 그래프, 히스토그램을 질문별 기본 차트로 분류하는 부분의 참고 자료입니다.
Matplotlib Developers, matplotlib.pyplot, Matplotlib documentation, 확인 날짜: 2026-07-20. pyplot 기반 예제가 Matplotlib 입문 코드에서 어떻게 쓰이는지 확인하는 참고 자료입니다.