텍스트·이미지 중 나의 데이터 경로 선택하기

문장 의미나 문자 패턴이 핵심이면 텍스트 경로를, 픽셀의 밝기·색·모양이 핵심이면 이미지 경로를 고릅니다. 어느 경로든 원본을 숫자로 바꾸고, 라벨과 함께 학습하며, 보지 않은 입력에서 평가하는 공통 흐름은 같습니다.

data_kind = 'text'
path = '텍스트 경로' if data_kind == 'text' else '이미지 경로'
print(path)

텍스트 경로

짧은 확인문장 속 느낌표와 숫자 패턴을 분류하려면 어느 경로가 자연스러울까요?

컴퓨터가 문자열을 분류하려면 길이, 특정 문자 수, 단어 빈도처럼 비교 가능한 숫자 벡터로 바꿔야 합니다. 이번 프로젝트는 원리를 선명하게 보기 위해 전체 길이, 숫자 문자 수, 느낌표 수를 사용합니다.

text = 'room 101!'
features = [len(text), sum(c.isdigit() for c in text), text.count('!')]
print(features)

[9, 3, 1]

짧은 확인텍스트 특징 벡터 [9, 3, 1]의 각 숫자는 무엇을 뜻할까요?

이미지는 픽셀 숫자 배열입니다. 0~255 값을 255로 나눠 0~1 범위로 맞추고 평균·최대 밝기와 밝은 픽셀 비율을 구하면 크기가 다른 값도 일관된 기준으로 비교할 수 있습니다.

import numpy as np
pixels = np.array([0, 128, 255]) / 255.0
print(round(pixels.mean(), 2), pixels.max(), round(np.mean(pixels >= 0.5), 2))

0.5 1.0 0.67

짧은 확인픽셀 정규화를 학습과 질의 이미지에 같은 방식으로 적용해야 하는 이유는 무엇일까요?

같은 라벨의 특징 벡터를 모아 축별 평균을 내면 그 클래스의 대표 위치인 중심이 됩니다. 새 입력은 각 중심까지의 유클리드 거리를 비교해 가장 가까운 라벨로 분류할 수 있습니다.

import numpy as np
urgent = np.array([[5, 0, 1], [5, 0, 2]])
print(urgent.mean(axis=0).tolist())

[5.0, 0.0, 1.5]

짧은 확인클래스 중심을 구할 때 axis=0으로 평균내는 이유는 무엇일까요?

가장 가까운 중심의 라벨이 예측이지만 거리 자체도 중요합니다. 모든 중심에서 멀거나 두 중심의 거리가 비슷하면 확신하기 어렵습니다. 길이·밝기 같은 단순 특징은 이해하기 쉽지만 문맥과 모양을 충분히 담지 못하므로 실패 사례를 기록해야 합니다.

import numpy as np
query = np.array([6.0, 0.0, 2.0])
center = np.array([5.0, 0.0, 1.5])
print(round(np.linalg.norm(query - center), 4))

1.118

짧은 확인예측 거리까지 함께 출력하면 어떤 실패를 발견할 수 있을까요?