331. 로지스틱 회귀 (Logistic Regression)

핵심 인사이트 (3줄 요약)

본질: 로지스틱 회귀(Logistic Regression)는 이름은 '회귀(Regression)'지만, 실제로는 결과값이 연속적인 숫자가 아니라 "합격인가 불합격인가(1 또는 0)?"를 분류(Classification)하기 위해 고안된 통계 알고리즘이다.

가치: 기존 선형 회귀가 -∞에서 +∞까지 끝없이 뻗어 나가는 직선을 그리는 단점을 극복하기 위해, '시그모이드(Sigmoid)'라는 마법의 함수를 씌워 어떤 값이 들어오든 무조건 0%에서 100% 사이의 '확률'로 예쁘게 눌러 담아준다.

판단 포인트: 딥러닝 인공신경망의 가장 기본 단위인 '퍼셉트론(Perceptron)'과 수학적으로 완벽하게 동일한 구조를 가지며, 모든 신경망 노드의 활성화 함수(Activation Function)가 이 로지스틱 회귀의 철학 위에 세워져 있다.

Ⅰ. 개요 및 필요성

의사가 환자의 건강 데이터를 보고 "이 환자가 1년 내에 암에 걸릴까, 안 걸릴까?"를 컴퓨터로 예측하려고 한다. 기존의 선형 회귀($Y=aX+b$)를 쓰면, 건강이 너무 나쁜 사람은 암에 걸릴 확률이 '150%'로 나오고, 건강이 너무 좋은 사람은 '-30%'라는 말이 안 되는 숫자가 나와버린다. 확률은 무조건 0과 1 사이에 있어야 한다.

이 문제를 해결하기 위해, 끝없이 뻗어 나가는 직선(선형 회귀)의 결과값에 **'오즈비(Odds Ratio)'**와 **'로그(Log)'**를 취하고 최종적으로 **'시그모이드 함수(Sigmoid)'**를 통과시켜, 결과값을 S자 형태의 부드러운 곡선으로 찌그러뜨리는 천재적인 방법이 탄생했다. 이것이 바로 로지스틱 회귀다.

📢 섹션 요약 비유: 어떤 물건(데이터)을 던져도, 벽을 뚫고 날아가지 못하게 천장(100%)과 바닥(0%)이 스펀지로 막혀있는 방을 만들어, 무조건 그 안에서만 튕기게 만든 마법의 상자다.

Ⅱ. 아키텍처 및 핵심 원리

로지스틱 회귀가 선형 직선을 0~1 사이의 곡선으로 구부리는 수학적 메커니즘은 3단계로 이루어진다.

┌────────────────────────────────────────────────────────┐
│             [ 로지스틱 회귀의 수학적 변환 파이프라인 ]         │
├────────────────────────────────────────────────────────┤
│ 1. 선형 회귀 (직선)                                     │
│    Z = aX + b  (결과가 -∞ ~ +∞ 로 끝없이 뻗어감)            │
│                                                        │
│ 2. 오즈비 (Odds Ratio) 변환                            │
│    Odds = (성공 확률 P) / (실패 확률 1-P)                   │
│    - "실패할 확률보다 성공할 확률이 몇 배나 높은가?"        │
│                                                        │
│ 3. 로짓 변환 (Logit) 및 시그모이드 (Sigmoid) 함수 맵핑    │
│    ln(Odds) = Z  (로그를 취해 선형 방정식과 연결!)          │
│    P = 1 / (1 + e^-Z)  ◀ [ 시그모이드 함수 ]              │
│                                                        │
│    [ 결과 ] Z가 아무리 커져도 P는 1에 가까워질 뿐 넘지 못함! │
└────────────────────────────────────────────────────────┘

오즈비 (Odds): 경마나 스포츠 토토에서 배당률을 정할 때 쓰는 개념이다. 실패 확률(1-P) 분에 성공 확률(P)이다. 성공 확률이 0.8이면 오즈비는 0.8/0.2 = 4 (실패보다 4배 높음)가 된다.
로짓 (Logit) 변환: 오즈비에 로그(ln)를 씌우면, 확률의 세계(0~1)가 무한대의 직선 세계(-$\infty$ ~ +$\infty$)로 쭉 펴진다. 이 로짓을 선형 회귀 방정식($aX+b$)과 같다고 놓고 식을 푼다.
시그모이드 (Sigmoid): 로짓 식을 다시 확률($P$)에 대해 예쁘게 정리하면 그 유명한 시그모이드 함수가 튀어나온다. 어떤 숫자 $Z$가 들어와도 무조건 0~1 사이로 압축하는 S자 커브다.

📢 섹션 요약 비유: 끝없이 늘어나는 마법의 고무줄(선형 회귀)을 구해서, 양쪽 끝을 0cm와 1cm 기둥(시그모이드)에 단단히 묶어버렸다. 이제 고무줄을 아무리 세게 당겨도 0과 1 사이에서만 S자 모양으로 팽팽하게 휘어진다.

Ⅲ. 비교 및 연결

회귀라는 이름을 가진 '선형 회귀'와 '로지스틱 회귀'를 명확히 비교해야 실무에서 헷갈리지 않는다.

비교 항목	선형 회귀 (Linear Regression)	로지스틱 회귀 (Logistic Regression)
종속 변수 (결과 $Y$)	연속형 수치 (예: 아파트 가격, 온도)	이산형 범주 (예: 1=합격, 0=불합격)
모델의 형태	쭉 뻗은 직선 (Linear)	S자형 곡선 (시그모이드 커브)
오차 계산법 (Loss)	최소 제곱법 (MSE, OLS) 적용	최대 우도 추정법 (MLE, 로그 손실) 적용
결과 해석	X가 1 오를 때 Y가 'a'만큼 증가함	X가 1 오를 때 '합격할 확률'이 S자 곡선을 따라 변함

이 로지스틱 회귀의 구조를 한 층짜리 인공신경망으로 그리면 정확히 '퍼셉트론(Perceptron)'이 된다. 즉, 로지스틱 회귀 모델 수천 개를 레고 블록처럼 쌓아서 복잡하게 연결하면, 그것이 바로 챗GPT를 구동하는 딥러닝(Deep Learning)의 본체가 된다.

📢 섹션 요약 비유: 선형 회귀가 온도계를 보고 "내일은 32도가 될 거야"라고 맞추는 기계라면, 로지스틱 회귀는 32도라는 숫자를 보고 "그럼 내일 비가 올 확률은 80% 겠군"이라고 날씨(상태)를 맞추는 기계다.

Ⅳ. 실무 적용 및 기술사 판단

실무 적용 시나리오: 제조업의 '설비 고장 예지 보전(Predictive Maintenance)' 시스템을 만든다. 모터의 진동수($X_1$), 온도($X_2$), 가동 시간($X_3$)을 로지스틱 회귀 모델에 넣으면, 내일 이 모터가 고장 날 확률($P$)이 나온다. 확률이 0.8(80%)을 넘으면 즉시 작업자에게 알림을 보내어 모터를 교체하게 만든다.

기술사 판단 포인트 (Trade-off): 로지스틱 회귀를 도입할 때는 **'결정 임계치(Threshold)'**를 비즈니스 상황에 맞게 튜닝하는 것이 기술사의 핵심 역할이다.

시그모이드는 확률(예: 0.6)을 뱉을 뿐, 합격/불합격을 결정해 주지 않는다. 보통 0.5를 기준(Threshold)으로 0.5 이상이면 합격(1)으로 판정한다.
하지만 암 진단 AI의 경우, 진짜 암 환자를 놓치면 사람 목숨이 위험하므로 임계치를 0.2로 과감하게 낮춰야 한다. 반대로 스팸 메일 필터는 중요한 메일이 스팸으로 빠지면 큰일 나므로 임계치를 0.9로 엄격하게 높여야 한다. 이를 위해 ROC 커브와 AUC 지표를 보고 최적의 임계치를 찾아내는 파이프라인을 설계해야 한다.

📢 섹션 요약 비유: 로지스틱 회귀는 "비 올 확률 60%입니다"라고 예보만 해줄 뿐이다. 60%일 때 우산을 챙길지 말지(임계치 결정)는, 내가 오늘 비싼 실크 코트를 입었는지(리스크가 큰지) 아니면 낡은 티셔츠를 입었는지에 따라 주인이 직접 결정해야 한다.

Ⅴ. 기대효과 및 결론

로지스틱 회귀는 인공지능이 "Yes or No"라는 인간의 이분법적 의사결정을 수학적으로 흉내 내게 만든 위대한 통계적 발명품이다. 마케팅의 클릭 여부(CTR), 금융의 대출 승인 여부, 의학의 질병 유무 등 인류 비즈니스의 90% 이상이 바로 이 0과 1을 맞추는 분류 문제로 귀결된다.

결론적으로 로지스틱 회귀는 머신러닝 분류(Classification) 세계의 알파(Alpha)이자, 딥러닝 신경망 세계의 가장 튼튼한 세포(Neuron)다. 기술사는 아무리 화려한 앙상블 트리(XGBoost)나 딥러닝을 쓰더라도, 예측의 근거를 경영진에게 투명하게 설명해야 하는(Explainable AI) 순간이 오면 반드시 이 로지스틱 회귀로 회귀해야 함을 명심해야 한다.

📢 섹션 요약 비유: 로지스틱 회귀는 덧셈 뺄셈처럼 낡아 보이지만, 세상의 모든 예/아니오를 가장 투명하고 정직하게 설명해 주는 거짓말 탐지기다. 딥러닝이라는 천재가 이유도 모른 채 정답을 맞힌다면, 로지스틱 회귀는 서류에 증거를 다 적어서 제출하는 꼼꼼한 회계사다.

📌 관련 개념 맵

상위 개념: 지도 학습 (Supervised Learning), 분류 알고리즘 (Classification)
하위 개념: 시그모이드 (Sigmoid), 오즈비 (Odds Ratio), 임계치 (Threshold)
연결 개념: 선형 회귀 (Linear Regression), 퍼셉트론 (Perceptron), ROC 커브 / AUC

👶 어린이를 위한 3줄 비유 설명

보통 수학 공식은 숫자를 넣으면 "100", "150"처럼 끝없이 커지는 숫자를 뱉어내요.
하지만 "내일 비가 올까?"라는 질문의 정답은 무조건 0%에서 100% 사이여야 하잖아요?
로지스틱 회귀는 마법의 S자 미끄럼틀을 만들어서, 어떤 숫자가 들어와도 무조건 0%에서 100% 사이의 '확률'로 예쁘게 미끄러지게 만들어 주는 기술이랍니다!