핵심 인사이트 (3줄 요약)
- 본질: Naive Bayes는 Bayes theorem과 조건부 독립 가정을 이용한 확률적 분류기다.
- 가치: 희소한 텍스트나 작은 데이터에서도 빠르고 설명 가능한 기준선을 만든다.
- 판단 포인트: ITSM (IT Service Management)과 ITIL (Information Technology Infrastructure Library)에서는 티켓 분류, 스팸 필터, 태깅에 특히 잘 맞는다.
Ⅰ. 개요 및 필요성
분류 문제는 "이 데이터가 어느 클래스에 속하는가"를 빠르게 정하는 일이다. Naive Bayes는 단순하지만 강한 기준선으로 자주 쓰인다. IT 운영에서는 서비스 요청, 장애 티켓, 문서 태깅처럼 라벨이 분명한 업무가 많다. 이런 곳에서 확률 기반 분류는 자동화의 첫 단계가 된다.
특징 → prior / likelihood → posterior → class label
P(class|features) ∝ P(class) × Π P(feature|class)
- 📢 섹션 요약 비유: 문서와 티켓을 빠르게 분류하는 단순한 기준선이다.
Ⅱ. 아키텍처 및 핵심 원리
학습 단계에서는 클래스별 prior를 세고, 각 특징의 likelihood를 집계한다. 예측 단계에서는 posterior를 계산해 가장 높은 클래스를 고른다. 조건부 독립 가정은 현실을 단순화한 것이지만, 텍스트처럼 희소하고 특징 수가 많은 문제에서 의외로 잘 동작한다. Laplace smoothing은 0 확률 문제를 막는다.
| 요소 | 역할 | 메모 |
|---|---|---|
| Prior | 사전 확률 | 클래스 빈도를 반영한다 |
| Likelihood | 특징이 주어졌을 때의 확률 | 특징별 증거를 모은다 |
| Posterior | 최종 클래스 확률 | 비교 기준이 된다 |
| Laplace smoothing | 0 확률 방지 | 희소 데이터에 중요하다 |
| MAP (Maximum A Posteriori) | 가장 큰 posterior 선택 | 분류 결정 규칙이다 |
- 📢 섹션 요약 비유: prior, likelihood, posterior를 곱해 가장 가능성 높은 클래스를 고른다.
Ⅲ. 비교 및 연결
Naive Bayes는 생성 모델이라 분포를 먼저 배우고, logistic regression은 판별 모델이라 경계를 직접 배운다. decision tree는 규칙 분기 중심이라 해석 방식이 또 다르다. 독립 가정이 강할수록 단순해지지만, 상관관계가 큰 피처에서는 성능이 약해질 수 있다. 그래서 모델은 데이터의 형태와 함께 선택해야 한다.
| 비교축 | Naive Bayes | Logistic Regression | Decision Tree |
|---|---|---|---|
| 학습 철학 | 생성 모델 | 판별 모델 | 규칙 분기 |
| 데이터 요구 | 작아도 시작 가능 | 중간 이상 | 중간 |
| 해석성 | 확률 증거를 읽기 쉽다 | 가중치 해석 | 경로 해석 |
- 📢 섹션 요약 비유: 생성 모델의 단순함이 텍스트 분류에서 힘을 발휘한다.
Ⅳ. 실무 적용 및 기술사 판단
실무에서는 티켓 제목, 설명, 키워드 같은 텍스트 특징을 이용해 라우팅에 쓴다. 자동 분류가 잘 되면 1차 응답 속도와 운영 효율이 크게 좋아진다. 다만 특징 간 상관관계가 강하거나 확률 보정이 중요하면 다른 모델도 함께 봐야 한다. 특히 smoothing 없이 쓰면 희소 특징에서 0 확률이 쉽게 터진다.
체크리스트
- 클래스 prior와 likelihood가 충분히 학습됐는가?
- Laplace smoothing이 적용됐는가?
- ITSM 프로세스와 분류 결과가 연결되는가?
안티패턴
-
0 확률 문제를 무시한 채 그대로 쓰는 것
-
상관된 특징을 많이 넣고 독립 가정이 무너지게 두는 것
-
📢 섹션 요약 비유: smoothing과 피처 설계가 성능을 좌우한다.
Ⅴ. 기대효과 및 결론
Naive Bayes는 복잡한 모델이 나오기 전에도 빠른 자동화를 가능하게 하는 강한 기준선이다. 작은 데이터와 텍스트 업무에서 특히 유용하다. 앞으로는 임베딩과 결합한 하이브리드 분류가 더 많아지겠지만, 확률적 기준선의 가치는 줄지 않는다. 기술사는 이 주제를 "적은 정보로도 빠르게 우선순위를 매기는 확률 분류"로 기억하면 된다.
- 📢 섹션 요약 비유: 작은 데이터에서도 빠르게 자동화를 시작하게 한다.
📌 관련 개념 맵
| 개념 | 연결 포인트 |
|---|---|
| Bayes theorem | 사전 확률과 우도를 결합한다 |
| Prior | 클래스의 기본 비율이다 |
| Likelihood | 특징이 주어졌을 때의 확률이다 |
| Posterior | 최종 판단 확률이다 |
| Laplace smoothing | 희소성 때문에 생기는 0 확률을 막는다 |
| ITSM / ITIL | 운영 티켓 분류와 잘 맞는다 |
📈 관련 키워드 및 발전 흐름도
training data
│
▼
count features by class
│
▼
estimate prior / likelihood
│
▼
compute posterior
│
▼
route to class
👶 어린이를 위한 3줄 비유 설명
- 탐정이 단서 몇 개만 보고도 어느 상자에서 왔는지 맞히는 것과 같다.
- 단서가 서로 얼마나 잘 어울리는지 확률로 계산하면 더 빨리 맞힐 수 있다.
- 그래서 컴퓨터는 적은 정보로도 가장 그럴듯한 답을 찾는다.