가우시안 혼합모델 (Gaussian Mixture Model)
쉽게 풀면
어느 반 학생들의 키를 측정했더니 하나의 봉우리가 아니라 두 개의 봉우리를 가진 분포가 나왔다고 해봅시다. 사실 이 반에는 초등학생 그룹과 중학생 그룹이 섞여 있었고, 각 그룹은 저마다 자연스러운 종 모양(정규분포)의 키 분포를 가지고 있었던 것입니다. 가우시안 혼합모델은 바로 이렇게 "지금 보이는 전체 데이터는 사실 여러 개의 서로 다른 정규분포가 섞인 결과"라고 가정하고, 각 데이터가 어느 그룹(정규분포)에서 나왔을 확률이 가장 높은지를 계산해서 군집을 나눕니다. k-평균 군집화처럼 "이 점은 무조건 이 군집"이라고 딱 잘라 말하는 대신, "이 점은 그룹A에 속할 확률 70%, 그룹B에 속할 확률 30%"처럼 확률로 부드럽게 답한다는 점이 특징입니다.
왜 중요한가
가우시안 혼합모델은 데이터 안에 서로 다른 잠재 집단이 섞여 있다는 가정을 통계적으로 다루는 대표적인 확률 모델이어서, 마케팅의 고객 세분화부터 음성 인식의 특징 분포 모델링, 이상치 탐지까지 다양한 응용 분야에서 활용됩니다. 소속이 명확히 나뉘지 않는 실제 데이터를 다룰 때 경직된 군집화 기법보다 유연하게 대응할 수 있다는 점에서, 혼합모델 계열 연구의 기초로 논문에 자주 등장합니다. 또한 EM 알고리즘이라는 일반적인 파라미터 추정 방법을 소개하는 예시로도 널리 쓰입니다.
논문에서는 이렇게 쓰입니다
이 문장은 "구매 패턴 데이터를 3개의 정규분포가 섞인 것으로 보고, 각 소비자가 어느 집단에 속하는지를 확률로 계산했다"는 뜻입니다. 군집 간 경계가 명확하지 않은 데이터를 다룰 때 k-means보다 유연한 대안으로 자주 언급됩니다.
음성 신호처리 논문에서 개별 화자의 특징 벡터 분포를 확률적으로 표현할 때 쓰이는 표현이다.
이상 탐지(anomaly detection) 논문에서 정상 패턴의 확률분포를 학습해 벗어난 사례를 찾아낼 때 사용된다.
조금 더 깊게 보면
가우시안 혼합모델의 파라미터(각 정규분포의 평균, 공분산, 혼합 비율)는 일반적으로 EM(기댓값-최대화) 알고리즘을 통해 반복적으로 추정합니다. E-단계에서는 현재 파라미터를 바탕으로 각 데이터가 어느 성분에 속할 확률(책임값)을 계산하고, M-단계에서는 그 확률을 가중치로 삼아 파라미터를 다시 추정하는 과정을 수렴할 때까지 반복합니다. 초기값에 따라 지역 최적해에 빠질 수 있어 여러 번의 초기화나 k-means 결과를 초기값으로 활용하는 방법이 흔히 쓰이며, 성분 개수 선택에는 AIC나 BIC 같은 정보 기준이 함께 사용됩니다.
주의할 점
가우시안 혼합모델은 각 하위 집단이 정규분포 형태를 따른다는 가정 위에서 작동하기 때문에, 실제 데이터가 이 가정과 크게 다르면 결과가 왜곡될 수 있습니다. 또한 몇 개의 분포(군집)를 섞을지는 엘보우 기법이나 정보량 기준(AIC, BIC) 등을 이용해 별도로 정해야 합니다.