Inductive vs Transductive Learning – 무엇이 다를까?

Inductive vs Transductive Learning – 무엇이 다를까?

머신러닝을 공부하다 보면 "inductive learning"과 "transductive learning"이라는 개념을 종종 접하게 됩니다. 두 용어는 처음 들으면 헷갈릴 수 있지만, 실제로는 모델이 예측을 수행하는 방식에 대한 근본적인 차이를 담고 있습니다.

이번 글에서는 두 방식의 개념과 차이점을 비교해 보고, 언제 어떤 방식이 적절한지 예시를 통해 살펴보겠습니다.

---

🧠 Inductive Learning (귀납 학습)이란?

Inductive learning은 학습 데이터로부터 일반적인 패턴(또는 함수)을 추론하여, 보지 못한 새로운 데이터에도 적용 가능한 모델을 만드는 것을 목표로 합니다.

즉, 특정한 상황에만 국한되지 않고 다양한 환경에서도 쓸 수 있는 범용 예측 모델을 만드는 것이 목적입니다.

✅ "보지 않은 데이터에도 잘 작동해야 한다!"가 핵심입니다.

---

🔁 Transductive Learning (전이 학습)이란?

반면, transductive learning은 학습 데이터와 함께 예측 대상이 될 테스트 데이터가 주어졌을 때, 해당 테스트 셋에 대해서만 최적의 예측을 수행합니다.

여기서 중요한 점은 모델이 일반화된 함수를 만드는 것이 아니라, 지금 주어진 테스트 데이터에만 관심을 가진다는 것입니다.

✅ "이 테스트 샘플에 대해 정확히 예측하는 게 우선!"이 핵심입니다.

 

728x90

---

📊 Inductive vs Transductive – 한눈에 비교

항목Inductive LearningTransductive Learning

목표	일반화 가능한 예측 함수 학습	특정 테스트 샘플에 대한 예측 최적화
함수 학습 여부	O (f: X → Y 형태의 명시적 모델 학습)	X (직접적인 함수 학습 없이 예측)
테스트 범위	모든 보지 않은 데이터에 대응	지금 주어진 테스트 데이터에만 초점
활용 예시	일반적인 지도 학습 (SVM, RF, 딥러닝 등)	Transductive SVM, Semi-supervised Learning 등
범용성	높음	낮음 (테스트 셋이 바뀌면 다시 학습해야 할 수도 있음)

 

---

💡 예제로 이해해보기

• Inductive 예시
  고등학생들의 공부 시간과 시험 점수를 바탕으로 모델을 학습하고, 앞으로 만날 새로운 학생의 시험 점수를 예측합니다.
• Transductive 예시
  일부 학생의 시험 점수와 공부 시간을 알고 있고, 시험 점수를 모르는 특정 학생들만 예측하면 되는 상황입니다. 이 때는 그 학생들에게만 최적화된 방식으로 예측을 합니다.

---

🎯 언제 어떤 방식을 사용할까?

상황적합한 방식

범용 예측 모델이 필요할 때	Inductive
주어진 테스트 셋이 중요하고 일반화는 필요 없을 때	Transductive
데이터 라벨이 적고, 일부만 라벨이 있을 때	Transductive (반지도 학습 포함)

 

---

📝 마무리

Inductive와 Transductive는 어떤 방식이 더 "좋다"기보다는, 문제의 성격에 따라 적합한 접근 방식이 다르다고 보는 게 맞습니다.
데이터의 분포, 활용 목적, 라벨 유무 등을 고려해 적절한 방법을 선택하는 것이 중요합니다.