회귀(Regression)란? AI가 숫자를 예측하는 기본 개념

TL;DR

회귀(Regression)는 AI나 머신러닝 모델이 카테고리 이름이 아니라 숫자 값을 예측하는 작업입니다. 예를 들어 다음 달 매출, 예상 클릭률, 배송 소요 시간, 집값, 온도처럼 연속적인 값을 맞히는 일이 회귀에 해당합니다. 다만 숫자로 나온다고 모두 회귀는 아니며, 우편번호처럼 숫자 모양의 카테고리를 맞히는 일은 분류에 가깝습니다.

핵심 3줄 요약

• 핵심 1
  회귀는 AI가 입력 데이터를 보고 하나의 숫자나 연속적인 값을 예측하는 기본 작업입니다.
• 핵심 2
  Google Machine Learning Glossary는 회귀 모델을 집값, 기대 수명, 강수량처럼 숫자 예측을 생성하는 모델로 설명합니다.
• 핵심 3
  AI 업무에서는 회귀 결과를 단정값으로만 보지 말고 오차, 이상치, 데이터 범위, 사람이 감당할 수 있는 실수 비용을 함께 봐야 합니다.

이 글에서 다룰 내용

한 문장 정의: 회귀는 무엇인가요?

회귀(Regression)는 AI나 머신러닝 모델이 입력 데이터의 패턴을 바탕으로 집값, 매출, 시간, 온도, 확률처럼 숫자 값을 예측하는 작업입니다.

Google Machine Learning Glossary는 회귀 모델을 비공식적으로 숫자 예측을 생성하는 모델이라고 설명합니다. 예시로 특정 집의 가격, 나무의 기대 수명, 앞으로 몇 시간 동안 내릴 비의 양 같은 값을 듭니다. 같은 문서에서는 분류 모델이 class를 예측하는 것과 달리, 회귀 모델은 숫자를 예측한다고 구분합니다.

쉽게 말해 회귀는 "이 입력은 어느 라벨인가?"가 아니라 "이 입력의 값은 대략 얼마인가?"를 묻는 AI 작업입니다.

한 줄 정리: 회귀는 AI가 이름표를 고르는 것이 아니라 숫자를 예상하는 방식입니다.

왜 AI 사용자에게 중요한가요?

AI를 업무에 붙이면 많은 질문이 숫자로 바뀝니다. 광고 예산을 늘리면 전환이 얼마나 늘어날지, 고객 문의가 몇 시간 안에 해결될지, 다음 달 매출이 어느 정도일지, 제품 리뷰 점수가 어떻게 변할지 알고 싶어집니다.

이런 문제는 보통 "배송 문의"와 "환불 문의"처럼 라벨을 고르는 분류보다, 숫자를 예측하는 회귀에 가깝습니다. 감자나라ai님이 블로그 운영 데이터를 본다고 해도 "이 글은 Tips인가 Glossary인가"는 분류이고, "이 글의 다음 주 방문자는 몇 명쯤인가"는 회귀입니다.

회귀 개념을 알면 AI 도구가 내놓은 숫자를 더 현실적으로 읽을 수 있습니다. 숫자 하나만 보는 대신 어떤 데이터로 배웠는지, 실제값과 얼마나 자주 빗나가는지, 큰 오차가 업무에 얼마나 치명적인지 함께 확인하게 됩니다.

핵심 인사이트: 회귀는 AI가 미래를 정확히 맞힌다는 뜻이 아니라, 과거 데이터의 패턴으로 숫자 범위를 추정한다는 뜻에 가깝습니다.

쉬운 예시로 이해하기

예시 1: 다음 달 매출 예측

온라인 쇼핑몰이 지난 2년 동안의 방문자 수, 광고비, 할인율, 계절 이벤트, 전환율 데이터를 갖고 있다고 가정해 보겠습니다. 회귀 모델은 이 데이터를 보고 "다음 달 매출은 약 4,800만 원"처럼 숫자를 예측할 수 있습니다.

중요한 점은 이 숫자가 확정된 약속이 아니라는 것입니다. 광고 소재가 바뀌거나 경쟁사 프로모션이 생기거나 품절이 발생하면 실제 매출은 달라질 수 있습니다.

예시 2: 고객 문의 처리 시간 예측

고객 문의 내용, 문의 유형, 접수 시간, 담당팀, 과거 처리 기록을 보면 "이 문의는 해결까지 약 6시간 걸릴 가능성이 높다"처럼 예상할 수 있습니다. 고객지원 자동화에서는 이런 회귀 예측을 SLA 관리, 우선순위 배정, 인력 배치에 활용할 수 있습니다.

예시 3: 콘텐츠 성과 예측

블로그 제목, 키워드 난이도, 발행 요일, 검색량, 기존 유입 데이터를 입력하면 "이 글의 첫 7일 검색 유입은 300~500회 정도"처럼 추정할 수 있습니다. 마케터와 기획자는 이 값을 보고 기대치를 정하거나 콘텐츠 우선순위를 조정할 수 있습니다.

실전 팁: 회귀 결과를 볼 때는 숫자 하나보다 "평균적으로 얼마나 빗나가는가"를 함께 물어보세요.

헷갈리는 용어와 차이

회귀와 분류는 무엇이 다른가요?

분류는 정해진 라벨이나 카테고리를 고릅니다. 예를 들어 고객 문의를 "배송", "환불", "상품 문의"로 나누는 작업입니다.

회귀는 숫자를 예측합니다. 예를 들어 예상 배송 시간, 다음 달 매출, 클릭률, 온도, 가격을 맞히는 작업입니다.

한 줄 정리: 분류는 이름표를 고르고, 회귀는 숫자를 예상합니다.

회귀와 예측은 같은 말인가요?

예측은 더 넓은 말입니다. 분류도 예측이고 회귀도 예측입니다. "이 사용자가 이탈할까?"처럼 yes/no를 예측하면 분류이고, "이 사용자의 다음 달 구매액은 얼마일까?"처럼 숫자를 예측하면 회귀입니다.

회귀는 예측 중에서도 숫자 값을 다루는 대표적인 방식이라고 이해하면 쉽습니다.

선형 회귀와 회귀는 무엇이 다른가요?

회귀는 숫자를 예측하는 작업 전체를 말합니다. 선형 회귀는 그중에서도 입력 변수와 예측값 사이의 관계를 직선 또는 선형식으로 설명하려는 대표적인 방법입니다.

Google Machine Learning Crash Course는 선형 회귀를 변수 사이의 관계를 찾는 통계 기법으로 설명하며, 머신러닝 맥락에서는 feature와 label의 관계를 찾는다고 안내합니다. 예를 들어 자동차 무게가 무거울수록 연비가 낮아지는 관계를 직선으로 설명할 수 있습니다.

로지스틱 회귀는 회귀인가요, 분류인가요?

초보자가 가장 헷갈리는 부분입니다. 이름에는 회귀가 들어가지만, 로지스틱 회귀는 보통 이진 분류에 많이 쓰입니다. Google Machine Learning Glossary도 로지스틱 회귀 모델이 숫자를 예측하지만, 그 숫자가 보통 이진 분류 모델의 일부로 쓰인다고 설명합니다.

예를 들어 이메일이 스팸일 확률을 0.72로 계산한 뒤, 기준값을 넘으면 "스팸"으로 분류합니다. 그래서 실무에서는 로지스틱 회귀를 분류 방법으로 배우는 경우가 많습니다.

실전에서 어떻게 쓰이나요?

첫째, 마케팅 성과 예측에 씁니다. 광고비, 노출, 클릭, 계절성, 과거 전환율을 바탕으로 매출, 전환 수, 클릭률 같은 숫자를 추정합니다.

둘째, 수요 예측에 씁니다. 날짜, 프로모션, 재고, 날씨, 지역 데이터를 보고 상품 판매량이나 필요한 물류량을 예상합니다.

셋째, 고객지원 운영에 씁니다. 문의 유형, 담당팀, 접수 시간, 과거 이력을 보고 처리 시간이나 지연 가능성을 숫자로 추정합니다.

넷째, 가격과 리스크 평가에 씁니다. 보험료, 대출 위험 점수, 부동산 가격, 재고 가치처럼 숫자 판단이 필요한 영역에서 활용됩니다.

다섯째, AI 제품 분석에 씁니다. 추천 점수, 만족도 점수, 이탈 가능성 점수, 예상 사용량처럼 제품 의사결정에 필요한 숫자를 계산하는 데 쓰입니다.

실전 체크리스트:

예측하려는 값이 라벨인가, 숫자인가?

숫자 범위가 현실적인가?

과거 데이터가 현재 상황을 대표하는가?

평균 오차와 큰 오차 사례를 확인했는가?

잘못된 숫자가 의사결정에 미칠 영향을 따져봤는가?

주의할 점

첫째, 숫자로 나오면 더 정확해 보이는 착시가 생깁니다. "매출 4,821만 원"처럼 구체적인 숫자는 신뢰감을 주지만, 실제로는 데이터와 가정에 따른 추정값입니다.

둘째, 학습 데이터 범위를 벗어나면 약해질 수 있습니다. 과거 광고비가 월 100만~500만 원이었는데 갑자기 5,000만 원을 넣으면 모델이 본 적 없는 상황을 억지로 추정할 수 있습니다.

셋째, 이상치가 회귀 모델을 흔들 수 있습니다. Google Machine Learning Crash Course는 손실 함수를 선택할 때 이상치를 어떻게 다룰지 고려해야 하며, MSE는 큰 오류에 더 큰 벌점을 준다고 설명합니다.

넷째, 상관관계와 원인을 구분해야 합니다. 광고비와 매출이 함께 늘었다고 해서 광고비만 늘리면 매출이 자동으로 늘어난다는 뜻은 아닙니다. 계절성, 브랜드 인지도, 재고, 가격도 함께 움직였을 수 있습니다.

다섯째, 중요한 의사결정에는 사람 검토가 필요합니다. 대출 한도, 채용 점수, 의료 위험도, 환불 거절처럼 사람에게 큰 영향을 주는 숫자는 회귀 결과만으로 자동 결정하지 않는 편이 안전합니다.

주의: 회귀 모델의 숫자는 "정답"이 아니라 "데이터 기반 추정"입니다. 숫자가 구체적일수록 오히려 오차 범위와 검토 기준을 함께 적어야 합니다.

자주 묻는 질문

Q1. 회귀는 생성형 AI와도 관련이 있나요?

직접 같은 말은 아닙니다. 회귀는 숫자를 예측하는 머신러닝 작업이고, 생성형 AI는 텍스트, 이미지, 코드 같은 콘텐츠를 만드는 AI를 말합니다. 다만 생성형 AI로 데이터를 정리한 뒤 매출이나 처리 시간을 예측하는 분석 흐름에서는 회귀 개념이 함께 쓰일 수 있습니다.

Q2. 챗GPT에게 숫자 예측을 시키면 회귀 모델을 쓰는 건가요?

항상 그렇지는 않습니다. 챗GPT가 대화 안에서 추정치를 설명하는 것과 실제 회귀 모델을 학습해 검증하는 것은 다릅니다. 반복적으로 중요한 숫자를 예측해야 한다면 데이터셋, 평가 지표, 검증 절차가 필요합니다.

Q3. 회귀 결과는 어떤 지표로 평가하나요?

대표적으로 MAE, MSE, RMSE 같은 오차 지표를 봅니다. Google Machine Learning Crash Course는 MAE와 RMSE가 예측값과 같은 단위로 오류를 보여줘 사람이 해석하기 쉬운 경우가 있다고 설명합니다.

Q4. 숫자 카테고리를 맞히면 회귀인가요?

항상 그렇지 않습니다. 우편번호, 상품 코드, 등급 번호처럼 숫자처럼 보이지만 실제로는 카테고리인 값은 분류에 가깝습니다. Google Machine Learning Glossary도 숫자 예측을 출력한다고 해서 모두 회귀 모델은 아니라고 설명합니다.

Q5. 회귀와 선형 회귀 중 무엇을 먼저 이해하면 되나요?

먼저 회귀를 "숫자 예측 작업"으로 이해하면 됩니다. 그다음 선형 회귀를 "숫자 예측을 직선 관계로 설명하는 대표적인 방법"으로 배우면 헷갈림이 줄어듭니다.

Q6. 회귀 모델을 업무 자동화에 바로 연결해도 되나요?

중요도가 낮은 보조 판단에는 도움이 됩니다. 하지만 가격, 위험 점수, 고객 우선순위, 인력 배치처럼 실제 영향이 큰 자동화에는 오차 기준, 예외 처리, 사람 검토, 모니터링을 함께 넣어야 합니다.

출처

마무리

회귀는 AI가 숫자를 다루는 가장 기본적인 방식 중 하나입니다. 감자나라ai님이 챗GPT나 자동화 도구로 매출, 방문자 수, 처리 시간, 클릭률 같은 값을 추정할 때는 "이건 회귀형 문제인가?"라고 먼저 구분하면 모델 선택과 검증 기준이 훨씬 분명해집니다.

초보자는 오늘 두 가지만 기억하면 됩니다. 첫째, 회귀는 라벨이 아니라 숫자를 예측하는 작업입니다. 둘째, 회귀 결과는 정답이 아니라 오차가 있는 추정값이므로 숫자와 함께 검증 기준을 봐야 합니다. 다음에 함께 보면 좋은 용어는 분류, 손실 함수, 평균 절대 오차, 선형 회귀입니다.