참고) 머신러닝/딥러닝 모델별 장단점 표

아래는 머신러닝/딥러닝에서 사용하는 모델별 주요 장단점을 모아둔 것이다.

모델	장점	단점	활용 예시
XGBoost	빠른 학습 속도(병렬 처리), 정규화 기능으로 과적합 방지, 다양한 평가 지표 지원	파라미터가 많아 튜닝 복잡, 메모리 사용량 큼	고객 이탈 예측, 금융 리스크 분석
LightGBM	대규모 데이터셋에 최적화, 학습 속도 매우 빠름, 메모리 효율적	작은 데이터셋에서는 성능 저하 가능, 과적합 위험	추천 시스템, 클릭 예측
CatBoost	범주형 변수 자동 처리, 튜닝이 비교적 쉬움, 과적합 방지 성능 우수	학습 속도가 XGBoost/LightGBM보다 느릴 수 있음	마케팅 분석, 고객 세분화
RNN (Recurrent Neural Network)	시계열/순차 데이터 처리에 강점, 문맥 정보 반영 가능	긴 시퀀스에서 기울기 소실 문제, 학습 속도 느림	자연어 처리(NLP), 음성 인식
의사결정나무	직관적, 시각화 쉬움, 해석 가능	과적합에 취약	대출 승인, 고객 이탈 예측
랜덤 포레스트	앙상블로 높은 정확도, 과적합 방지	학습 속도 느림, 해석 어려움	질병 진단, 품질 검사
로지스틱 회귀	단순, 빠름, 해석 용이	선형성 가정으로 복잡한 데이터에 부적합	스팸 필터링, 마케팅 응답 예측
나이브 베이즈	계산 빠름, 소량 데이터에서도 강함	독립성 가정이 비현실적	뉴스 분류, 감정 분석
SVM	고차원 데이터에 강함, 분류 성능 우수	학습 느림, 파라미터 설정 어려움	얼굴 인식, 필기체 인식
CNN (Convolutional Neural Network)	이미지·영상 처리에 특화, 공간적 특징 추출 강력	많은 데이터와 연산 자원 필요	이미지 분류, 객체 탐지
GAN (Generative Adversarial Network)	새로운 데이터 생성 능력, 이미지 합성·복원 강력	학습 불안정, 모드 붕괴 문제	딥페이크, 이미지 생성
Transformer	병렬 처리 가능, 긴 문맥 처리 강력	파라미터 수가 많아 자원 소모 큼	기계 번역, 대규모 언어 모델
KNN (K-Nearest Neighbors)	구현 간단, 직관적	데이터가 많으면 계산량 폭증, 차원의 저주	추천 시스템, 패턴 인식
Ensemble (Stacking, Blending)	여러 모델 결합으로 성능 향상	복잡성 증가, 해석 어려움	Kaggle 대회, 예측 정확도 극대화
Autoencoder	차원 축소, 이상 탐지에 강점	생성된 표현 해석 어려움	데이터 압축, 이상 탐지
LSTM (Long Short-Term Memory)	RNN의 기울기 소실 문제 해결, 긴 시퀀스 처리 가능	학습 속도 느림, 구조 복잡	시계열 예측, 언어 모델링
GRU (Gated Recurrent Unit)	LSTM보다 단순, 계산 효율적	LSTM보다 표현력 제한	음성 인식, 텍스트 분석