머신러닝 알고리즘의 핵심 개념 차이를 이해하고 설명할 수 있는지를 확인한다. IT 직무에서 요구되는 기초 기술 지식 보유 여부를 평가한다.
이 질문 뒤에 면접관이 확인하려는 것은 따로 있습니다.
결정트리는 데이터를 조건 기준으로 반복해서 분기하며 예측하는 모델입니다. 각 분기 기준이 눈에 보여서 "왜 이 예측이 나왔는가"를 설명하기 쉽습니다. 반면 인공신경망은 입력과 출력 사이에 여러 층의 가중치 연산이 쌓여 있어, 예측 결과는 정확할 수 있지만 왜 그 결론이 나왔는지 설명하기 어렵습니다. 학부 머신러닝 과제에서 두 모델을 같은 데이터셋에 적용해봤는데, 신경망이 정확도는 5% 더 높았지만 교수님이 "이 결과를 비전문가에게 어떻게 설명할 거냐"고 물었을 때 저는 대답을 못 했습니다. 그 경험으로 모델 선택은 정확도만이 아니라 해석 가능성이 얼마나 필요한가에 따라 달라진다는 걸 배웠습니다. 의료나 금융처럼 결정 근거를 설명해야 하는 분야에서는 결정트리가, 이미지·음성처럼 패턴이 복잡한 곳에서는 신경망이 더 자주 쓰이는 이유도 거기 있다고 생각합니다.
결정트리의 약점을 앙상블 방법으로 보완한다는 개념도 공부하면서 이해했습니다. 단일 결정트리는 학습 데이터에 과적합되는 경향이 있는데, 랜덤포레스트는 여러 개의 결정트리를 독립적으로 만들고 그 결과를 집계해서 분산을 낮추는 방식입니다. 개별 트리는 해석이 쉽지만 전체 앙상블의 해석은 단일 트리보다 어려워지는 트레이드오프가 있습니다.
정확도와 해석 가능성이 반비례하는 관계를 앙상블에서도 볼 수 있다는 게 흥미로웠습니다. 수업 과제에서 단일 결정트리와 랜덤포레스트를 비교했을 때, 테스트 정확도가 8%가량 높아지는 것을 확인했습니다. 앙상블 학습이 단일 모델의 한계를 극복하는 방법입니다.
모델을 선택할 때 정확도 외에 어떤 기준을 함께 봐야 하는지를 배웠습니다. 학부 프로젝트에서 고객 이탈 예측 모델을 만들 때, 신경망이 정확도는 높았지만 "왜 이 고객이 이탈할 것인가"를 설명할 수 없어서 비즈니스 담당자에게 활용하기 어렵다는 피드백이 나왔습니다.
결정트리 모델로 바꿨더니 정확도는 약간 낮아졌지만, 어떤 변수가 이탈과 가장 연관이 높은지를 그래프로 보여줄 수 있었고 그게 실무에서 더 유용했습니다. 모델이 좋다는 것은 정확도만이 아니라 사람이 쓸 수 있는 형태인가까지 포함한다는 걸 그 경험에서 배웠습니다.
도구는 목적에 맞는 것을 선택하는 것이 중요하다는 원칙이 생겼습니다. 해석 가능성이 모델 선택의 기준 중 하나입니다.
답변에서 흔히 빠지는 것들 — 빠져 있으면 꼬리질문이 깊어집니다.
이 질문에 이어 한국고용정보원 ML 엔지니어 면접관이 던질 가능성이 높은 후속 질문.
이 페이지의 질문·답변·꼬리질문은 유사 직군 채용 시장의 공개된 면접 후기·커뮤니티 게시물을 분석해 구성한 학습 자료입니다. 특정 회사가 실제로 이 질문을 출제했다는 것을 보장하지 않으며, 모든 예시는 우문현답이 직접 작성한 창작물입니다. 해당 회사의 공식 입장과는 무관합니다. 회사 측의 정정 요청이 있을 경우 24시간 이내에 응답·수정합니다.