따알깍PROMPT DICT 앱으로 열기

데이터 · 정보 시각화 · 머신러닝 · 과학 · 금융

머신러닝 · 고차원 데이터 시각화 Machine-learning & high-dimensional data visualisation

PCA·t-SNE·매니폴드 펼치기 같은 차원 축소, k-평균·DBSCAN·실루엣 같은 군집 진단, 혼동 행렬·ROC/PR·보정 곡선·누적 이득 같은 모델 평가, 학습 곡선·손실 곡선·결정 경계·트리 분할, 순열 중요도·SHAP·PDP/ICE·어텐션·Grad-CAM 같은 설명 그래픽, 불균형 리샘플링·드리프트 모니터링·모델 순위 비교까지 머신러닝 결과를 정직하게 읽히게 만드는 시각화 사전입니다.

카드 22개 · 카드마다 설명과 바로 복사해 쓸 수 있는 프롬프트 전문 · 앱에서 라이브 데모로 보기

카드 목록 22개
  1. PCA 주성분 회전 → 1차원 투영 → 스크리 · 바이플롯
  2. t-SNE 퍼플렉시티 A/B (2 · 30 · 100 — 군집 크기와 간격은 읽지 말 것)
  3. 스위스 롤 펼치기 (유클리드 이웃의 단락 → 측지 거리 언롤)
  4. 가우시안 혼합 EM (k-평균의 원형 가정 → 공분산 타원 · 소프트 소속)
  5. k 고르기: 엘보 곡선 vs 실루엣 플롯 (칼날 막대 · 평균선)
  6. DBSCAN vs k-평균 (초승달 두 개 · 밀도 확장 · 잡음 점)
  7. 혼동 행렬 정규화 3단 (개수 → 행 = 재현율 → 열 = 정밀도)
  8. ROC vs PR 곡선 (임계값 스윕 · 양성 50% → 1%)
  9. 누적 이득 · 리프트 차트 (점수순 정렬 → 상위 20%에 응답자 몇 %)
  10. 신뢰도 다이어그램 (과신 모델의 S자 → 등위 회귀 보정 · ECE)
  11. 학습 곡선 진단 (훈련 크기별 훈련·검증 점수 · 고편향 vs 고분산)
  12. 훈련 손실 곡선 읽기 (EMA 스무딩 0 → 0.6 → 0.97 지연 · 조기 종료)
  13. 결정 경계 비교 (로지스틱 · k-NN k=1 · k=15 · RBF 커널)
  14. 편향–분산 분해 (다항 차수 1 · 4 · 12의 재표본 적합 다발 · U자 시험 오차)
  15. 특성 중요도 A/B (불순도 MDI의 함정 → 검증셋 순열 중요도 ± σ)
  16. SHAP 3단 전환 (평균 |SHAP| 막대 → 요약 비스웜 → 의존도 산점)
  17. 부분 의존도 vs ICE 곡선 (평균이 숨긴 두 갈래 → c-ICE 중심 맞춤)
  18. 어텐션 가중치 두 보기 (쿼리×키 히트맵 · 토큰 연결선 · 헤드 3종)
  19. 모델이 본 곳 (바닐라 그래디언트 잡음 → SmoothGrad → Grad-CAM · 워터마크 지름길)
  20. 클래스 불균형 리샘플링 (원본 → 무작위 과대표집 ×14 → SMOTE 합성점 · 경계 이동)
  21. 데이터 드리프트 모니터링 (기준 vs 이번 주 분포 · PSI 추세 · 특성×주차 히트 스트립)
  22. 모델 비교 임계 차이 도표 (평균 순위 · Nemenyi CD 막대 · 무차별 묶음)

PCA 주성분 회전 → 1차원 투영 → 스크리 · 바이플롯

PCA explained: eigenvector axes, rotation, projection loss, scree plot and a loadings biplot

  • scikit-learn
  • D3
  • Observable Plot
  • Canvas

상관된 두 변수의 공분산 고유벡터(PC1·PC2)를 화살표로 그리고, 축을 PC1에 맞춰 회전(정보 손실 0)한 뒤 PC1 한 축으로 투영해 잃는 분산을 빨간 잔차선으로 보여주고, 6개 변수 데이터의 스크리 플롯(누적 80% 기준)과 로딩 화살표 바이플롯으로 이어가는 PCA 해설 그래픽으로, 차원 축소 결과를 보고서·강의에서 설명할 때 쓴다.

프롬프트

Canvas 2D로 n=150 상관 정규분포(장축 σ=1, 단축 σ=0.36, 30°)를 평균 중심화해 2×2 공분산 고유값 λ₁·λ₂와 PC1 각도를 닫힌 식으로 구하고, 길이 2√λ인 PC1(노랑 #FFC933)·PC2(청록 #4FD1B5) 화살표를 1초 동안 늘려줘. 2.6초부터 1.4초간 점을 −θ 회전해 PC1을 가로축에 맞추고(EIO), 4.6초부터 1.2초간 y를 0으로 눌러 투영하며 원래 위치까지 빨간(#FF6B5A, α 0.35) 잔차선을 그려줘. 오른쪽 패널(114×108px)은 설명 분산 막대(PC1 ≈ 90%, PC2 ≈ 10%)였다가 7.6초에 6개 변수 스크리(41·24·14·10·7·4%) + 누적 꺾은선 + 80% 점선으로 바뀌고, 왼쪽은 3집단 점수 산점 + 6개 로딩 화살표(scikit-learn PCA().components_ × 2, 라벨: 수면·운동·카페인·스트레스·걸음 수·체중) 바이플롯으로 크로스페이드하는 13초 루프.

라이브 데모 열기 — PCA 주성분 회전 → 1차원 투영 → 스크리 · 바이플롯

t-SNE 퍼플렉시티 A/B (2 · 30 · 100 — 군집 크기와 간격은 읽지 말 것)

t-SNE perplexity sweep 2 → 30 → 100 beside the true layout: cluster sizes and gaps are not data

  • scikit-learn
  • openTSNE
  • D3
  • Canvas

실제로는 크기(σ 0.07 vs 0.32)와 간격이 전혀 다른 세 군집이 t-SNE 퍼플렉시티 2에서는 가짜 소군집으로 쪼개지고, 30에서는 같은 크기의 둥근 덩어리로 균등하게 놓이며, 100에서도 거리 비율이 복원되지 않음을 원본 배치 옆에서 키 유지 보간으로 보여주는 기법으로, 임베딩 산점도를 보고서에 실을 때 무엇을 읽으면 안 되는지 설명하는 데 쓴다.

프롬프트

Canvas 2D로 왼쪽 원본 패널(98×140px)에 세 군집 150점(A σ=0.07, B σ=0.32, C는 x +1.4로 멀리)을 그리고, 오른쪽 패널(176×140px)에 같은 점(점 키 유지)을 openTSNE / sklearn.manifold.TSNE(perplexity=p, init="pca", random_state=0) 결과처럼 배치해줘: p=2는 군집마다 5개의 가짜 소군집(σ 0.05), p=30은 세 군집이 정삼각형 꼭짓점에 같은 크기(σ 0.2)로, p=100은 원본 순서를 일부 회복(σ 0.24). 0~3.4초 p=2 → 0.8초 EIO 보간 → p=30 → 7.4초에 p=100. 각 군집의 평균 반경을 점선 원으로 양쪽 패널에 그려 크기 비교가 되게 하고, 오른쪽 위 HUD에 perplexity와 경고(가짜 군집 / 크기 같아짐 / 거리 비율 아님)를 표시하는 12초 루프(끝 0.35초 페이드).

라이브 데모 열기 — t-SNE 퍼플렉시티 A/B (2 · 30 · 100 — 군집 크기와 간격은 읽지 말 것)

스위스 롤 펼치기 (유클리드 이웃의 단락 → 측지 거리 언롤)

Unrolling a Swiss roll: Euclidean ε-neighbours short-circuit across layers, a linear top view overlaps, geodesic unrolling separates

  • scikit-learn
  • UMAP
  • Isomap
  • Canvas

3D로 감긴 스위스 롤에서 한 점의 유클리드 ε-이웃이 바로 옆 층(색이 전혀 다른 점)까지 붙잡는 단락을 빨간 선으로 보여주고, 선형 투영(PCA ≈ 위에서 본 나선)으로는 층이 겹치며, 측지 거리로 펼친(Isomap·UMAP) 띠에서는 같은 색만 이웃으로 남는 과정을 하나의 연속 모핑으로 보여주는 기법으로, 비선형 차원 축소가 왜 필요한지 설명할 때 쓴다.

프롬프트

Canvas 2D로 sklearn.datasets.make_swiss_roll과 같은 식(t∈[1.5π, 4.5π], x=t·cos t, z=t·sin t, 높이 y∈[0,1]) 500점을 롤 위치 t에 따라 6색 순차 램프(#1B2A4A→#FF6B5A, 10단계 버킷으로 묶어 그리기)로 칠하고, 0~4.5초 요 회전(0.5 rad/s, 피치 0.85)하는 3D 직교 투영으로 보여줘. 1.5초부터 가운데 점의 3D 거리 ε=0.5 이웃을 선으로 잇되 측지 거리 > 1인 이웃(다른 층)은 빨강 #FF6B5A, 같은 층은 청록 #4FD1B5. 4.5~6.5초 피치를 π/2로 올려 위에서 본 x·z 평면(PCA 두 성분과 같은 선형 투영, 층 겹침), 7~9.5초 각 점을 (측지 호 길이 s, 높이 y)로 이동해 펼친 띠(Isomap/umap.UMAP(n_neighbors=10) 결과처럼)로 모핑하면 빨간 선이 길게 늘어나 가짜 이웃이 드러나게 해줘. HUD에 단계와 다른 층 이웃 수를 표시하는 12초 루프.

라이브 데모 열기 — 스위스 롤 펼치기 (유클리드 이웃의 단락 → 측지 거리 언롤)

가우시안 혼합 EM (k-평균의 원형 가정 → 공분산 타원 · 소프트 소속)

Gaussian mixture EM vs k-means on elongated clusters: covariance ellipses grow iteration by iteration and points blend colours by responsibility

  • scikit-learn
  • GaussianMixture
  • D3
  • Canvas

비스듬히 길쭉한 세 군집에서 원형 군집을 가정하는 k-평균이 긴 축을 가로질러 잘못 자르는 결과를 먼저 보여준 뒤, 가우시안 혼합 모델의 EM 반복으로 평균·공분산 타원(1σ·2σ)이 점점 늘어나 군집 모양에 맞고, 각 점이 소속 확률(책임도)만큼 색이 섞이며 경계의 불확실한 점은 링으로 남는 과정을 로그우도와 함께 보여주는 기법으로, 소프트 군집·이상치 점수·세그먼트 경계의 불확실성을 설명할 때 쓴다.

프롬프트

Canvas 2D로 가로로 나란히 붙은 띠 두 개(σ_long 0.5, σ_short 0.07, 간격 0.42)와 72° 기운 띠 하나 210점을 290×132px 패널에 그려줘. 0~2.5초 k-평균(k=3) 단단한 색 결과에 '원형 가정 → 긴 군집을 가로로 자름' 칩. 2.5~10초 sklearn GaussianMixture(n_components=3, covariance_type="full")와 같은 EM(n_init=5: k-평균 중심 포함 시작점 5개, 공분산 0.05·I)을 24회씩 미리 계산해 최종 로그우도가 가장 높은 런을 재생하고, 반복 상태 사이를 보간하며 평균(◆)과 공분산 고유분해 타원(1σ 실선 1.4px, 2σ 점선)을 그려줘. 점 색은 책임도 γ로 세 색(#6E80FF · #4FD1B5 · #FFC933)을 RGB 가중 혼합하고 max γ < 0.7인 점은 흰 링으로 표시. 오른쪽 위 106×22px에 로그우도 상승 꺾은선, HUD에 반복 수·로그우도·불확실 점 개수를 표시하는 12초 루프.

라이브 데모 열기 — 가우시안 혼합 EM (k-평균의 원형 가정 → 공분산 타원 · 소프트 소속)

k 고르기: 엘보 곡선 vs 실루엣 플롯 (칼날 막대 · 평균선)

Choosing k: the ambiguous elbow curve vs per-sample silhouette knife plots with the mean line

  • scikit-learn
  • Yellowbrick
  • D3
  • Canvas

두 덩어리가 붙어 있어 엘보가 4인지 5인지 애매한 데이터에서 k=2~7을 차례로 바꾸며 왼쪽 관성 곡선, 가운데 점별 실루엣 계수를 군집별로 정렬한 칼날 막대와 평균 점선, 오른쪽 색칠된 산점 썸네일을 함께 보여주고 평균 실루엣이 가장 높은 k에서 멈추는 기법으로, 군집 수를 근거 있게 고르는 분석 리포트에 쓴다.

프롬프트

Canvas 2D로 다섯 덩어리(각 30점, σ=0.16, 오른쪽 두 덩어리는 0.36 거리로 붙임) 150점에 k=1~8 k-평균(최원점 초기화, 20회)과 실루엣 s=(b−a)/max(a,b)(150×150 거리 행렬로 한 번 계산)를 미리 구해줘. k를 2→7로 1.5초마다 바꾸며 ① 왼쪽(90×124px) 관성 J/J₁ 꺾은선에 현재 k 노란 링, ② 가운데(98×130px) Yellowbrick SilhouetteVisualizer처럼 군집별 내림차순 가로 막대(군집 사이 4px 간격, x축 −0.2~1.0)와 평균 실루엣 빨간 점선, 음수 막대는 잘못 배정된 점, ③ 오른쪽 산점 썸네일(76×74px)과 k별 평균 실루엣 막대를 그리고, 9초부터 최고 k에서 3초 멈춰 '엘보는 애매, 실루엣 최대' 문구를 띄우는 12초 루프.

라이브 데모 열기 — k 고르기: 엘보 곡선 vs 실루엣 플롯 (칼날 막대 · 평균선)

DBSCAN vs k-평균 (초승달 두 개 · 밀도 확장 · 잡음 점)

DBSCAN density expansion vs k-means on two moons: core, border and noise points with the ε circle

  • scikit-learn
  • HDBSCAN
  • D3
  • Canvas

맞물린 초승달 두 개와 흩어진 잡음 점에서 k-평균(k=2)은 직선 경계로 초승달을 엉뚱하게 자르는 반면, DBSCAN은 ε 원 안에 minPts 이상이 있는 핵심점에서 너비 우선으로 군집을 넓혀 가며 경계점·잡음점을 구분하는 과정을 나란히 재생하는 기법으로, 밀도 기반 군집과 이상치 탐지를 설명할 때 쓴다.

프롬프트

Canvas 2D로 make_moons(n=200, noise=0.06)과 균등 잡음 16점을 두 패널(각 138×124px)에 그려줘. 왼쪽은 k-평균 k=2 결과 색과 두 중심의 수직이등분선(점선) — 초승달 끝이 반대 군집으로 잘림. 오른쪽은 sklearn DBSCAN(eps=0.2, min_samples=5)을 큐 기반으로 재현해 방문 순서를 기록하고 1.5~8초 동안 그 순서대로 점을 밝혀줘: 핵심점 r=1.6 채움, 경계점 r=1.2 테두리, 잡음은 회색 ×, 현재 확장 중인 점에는 반경 ε 점선 원(#FFC933). HUD에 eps·minPts와 핵심/경계/잡음 개수를 실시간 표시하고, 9초부터 '군집 수를 미리 정하지 않음 · 잡음 = 이상치 후보' 문구를 띄우는 12초 루프.

라이브 데모 열기 — DBSCAN vs k-평균 (초승달 두 개 · 밀도 확장 · 잡음 점)

혼동 행렬 정규화 3단 (개수 → 행 = 재현율 → 열 = 정밀도)

Confusion-matrix normalisation: raw counts vs row-normalised recall vs column-normalised precision on imbalanced classes

  • scikit-learn
  • D3
  • Vega-Lite
  • Canvas

클래스 크기가 600·250·80·40·30건으로 불균형한 5분류 결과를 개수 그대로 칠하면 큰 클래스 대각선이 색을 독차지해 희귀 클래스(피싱)의 오류가 보이지 않지만, 행 정규화(재현율)와 열 정규화(정밀도)로 바꾸면 피싱이 절반 이상 놓치고 있다는 사실이 드러나는 과정을 같은 행렬의 색 보간으로 보여주는 기법으로, 분류 모델 평가 리포트와 대시보드의 혼동 행렬 설계에 쓴다.

프롬프트

Canvas 2D로 5×5 혼동 행렬(행 = 실제, 열 = 예측, 셀 22px, 클래스 일반·광고·스팸·피싱·악성, 지원 수 600/250/80/40/30)을 순차 램프(#1B2A4A→#2F4FA8→#6E80FF→#4FD1B5→#FFC933)로 칠하고 셀 안에 값을 써줘. 0~4초 개수(값/최댓값 560), 4~8초 sklearn ConfusionMatrixDisplay(normalize="true") 행 정규화 %, 8~12초 normalize="pred" 열 정규화 %로 0.6초씩 색 값을 보간하고, 피싱 행(재현율 모드) 또는 피싱 열(정밀도 모드)을 노란 테두리로 강조해줘. 오른쪽(120×110px)에는 모드별 가로 막대(지원 수 / 재현율 / 정밀도)를 정렬 없이 클래스 순서로 그리고 0.5 기준 점선, HUD에 '피싱 재현율 38% · 정밀도 45%' 같은 핵심 수치를 띄우는 12초 루프.

라이브 데모 열기 — 혼동 행렬 정규화 3단 (개수 → 행 = 재현율 → 열 = 정밀도)

ROC vs PR 곡선 (임계값 스윕 · 양성 50% → 1%)

ROC vs precision–recall curves under a threshold sweep: unchanged ROC AUC, collapsing PR when positives drop from 50 % to 1 %

  • scikit-learn
  • D3
  • Observable Plot
  • Canvas

두 클래스 점수 분포 위로 임계값을 쓸어 가며 ROC와 PR 곡선 위의 점을 동시에 움직이고, 양성 비율을 50%에서 1%로 낮추면 ROC 곡선과 AUC는 그대로인데 PR 곡선과 평균 정밀도(AP)가 바닥으로 무너지는 것을 같은 모델로 보여주는 기법으로, 사기 탐지·의료 선별처럼 희귀 클래스를 다루는 모델 평가에 어떤 곡선을 실을지 정할 때 쓴다.

프롬프트

Canvas 2D로 왼쪽(104×116px)에 음성 N(−1,1)·양성 N(1.2,1) 점수 밀도를 유병률 π로 가중해 그리고(π=1%일 때 양성은 실제 높이 + ×20 점선 윤곽), 빨간 임계값 선을 3.2 → −3.2로 5.4초 동안 EIO로 쓸어줘. 가운데 ROC(80×80px, FPR = 1−Φ(th+1), TPR = 1−Φ(th−1.2), 대각 점선)와 오른쪽 PR(80×80px, precision = π·TPR/(π·TPR+(1−π)·FPR), 기준선 y=π 점선)에 지나온 구간은 진하게, 전체는 α 0.2로 그리고 현재 점(r=2.6)을 표시해줘. 0~7초 π=0.5, 7~7.8초 π를 로그 보간으로 0.01까지 낮춘 뒤 다시 스윕하며 HUD에 'AUC 0.94 그대로 · AP 0.94 → 0.3x'(sklearn roc_auc_score, average_precision_score와 같은 사다리꼴 적분)를 표시하는 14초 루프.

라이브 데모 열기 — ROC vs PR 곡선 (임계값 스윕 · 양성 50% → 1%)

누적 이득 · 리프트 차트 (점수순 정렬 → 상위 20%에 응답자 몇 %)

Cumulative gains and decile lift chart: sort customers by model score and read how many responders the top 20 % holds

  • scikit-learn
  • scikit-plot
  • D3
  • Canvas

고객 100명 점 띠를 모델 점수 순으로 다시 줄 세운 뒤, 상위 q%에 연락했을 때 전체 응답자의 몇 %를 잡는지 보여주는 누적 이득 곡선(무작위 대각선·완벽 모델 상한과 함께)과 10분위별 리프트 막대를 함께 그려 '상위 20%만 연락해도 응답자 절반 이상' 같은 결론을 읽게 하는 기법으로, 마케팅 타기팅·이탈 예측·리드 스코어링 모델을 비즈니스 쪽에 설명할 때 쓴다.

프롬프트

Canvas 2D로 고객 1,000명(잠재 z ~ N(0,1), 응답 확률 σ(−2.4 + 1.5z), 모델 점수 = z + N(0,0.8))을 만들고, 위쪽 띠에 표본 100명을 2.9px 간격 점(응답자 노랑 #FFC933, 비응답 회색)으로 무작위 순서로 놓았다가 1.5~3초 EIO로 점수순 재배열해줘. 왼쪽(130×110px) 누적 이득 곡선은 3~7초 동안 분위 단위로 그려지고(무작위 대각 점선, 완벽 모델 min(1, q/기저율) 회색), 오른쪽(130×110px) 10분위 리프트 막대(= 분위 응답률 / 기저율, 1× 기준 점선)가 곡선이 지나는 순서로 솟게 해줘. 7초부터 q=20% 세로 커서와 '상위 20% → 응답자 N%' 라벨, HUD에 기저율과 lift@10%를 표시하는 10초 루프(scikit-plot plot_cumulative_gain / plot_lift_curve와 같은 정의).

라이브 데모 열기 — 누적 이득 · 리프트 차트 (점수순 정렬 → 상위 20%에 응답자 몇 %)

신뢰도 다이어그램 (과신 모델의 S자 → 등위 회귀 보정 · ECE)

Reliability diagram: an overconfident classifier’s S-curve, per-bin gaps and ECE, then isotonic recalibration

  • scikit-learn
  • D3
  • Canvas

예측 확률을 10구간으로 나눠 실제 양성 비율을 찍은 신뢰도 다이어그램에서 과신 모델은 대각선을 벗어난 S자(90%라 말한 날 실제 73%)와 양 끝에 몰린 예측 히스토그램을 보이고, 등위 회귀로 보정하면 점이 대각선에 붙고 ECE가 줄어드는 과정을 구간별 빨간 간격선과 100칸 아이콘 배열로 함께 보여주는 기법으로, 위험 점수·강수 확률·의료 예측처럼 확률 자체를 믿고 쓰는 모델을 검증할 때 쓴다.

프롬프트

Canvas 2D로 왼쪽 120×110px 신뢰도 다이어그램(x = 예측 확률 구간 중심 0.05~0.95, y = 관측 양성 비율, 대각 점선)에 과신 모델 관측 비율 σ(0.45·logit(p))를 꺾은선 + 점(r=2) + 95% 구간 수염(±1.96√(f(1−f)/n))으로 그리고, 대각선까지의 간격을 빨간(#FF6B5A) 세로선으로 표시해줘. 아래 18px에는 구간별 예측 개수 히스토그램(과신: 양 끝 180·205개로 U자). 4.5~5.7초 동안 sklearn CalibratedClassifierCV(method="isotonic") 결과로 점·히스토그램을 EIO 보간(관측 ≈ 예측, 가운데로 퍼진 히스토그램). 오른쪽에는 '예측 90%라고 한 100건' 10×10 아이콘 배열(7px 칸)로 실제 양성 73 → 90칸을 채우고, HUD에 ECE = Σ(nₖ/N)|fₖ − pₖ| 값(0.1x → 0.0x)을 표시하는 10초 루프.

라이브 데모 열기 — 신뢰도 다이어그램 (과신 모델의 S자 → 등위 회귀 보정 · ECE)

학습 곡선 진단 (훈련 크기별 훈련·검증 점수 · 고편향 vs 고분산)

Learning curves vs training-set size: high bias (curves meet low) vs high variance (large gap that closes with data)

  • scikit-learn
  • D3
  • Vega-Lite
  • Canvas

훈련 데이터 크기를 로그 축으로 늘려 가며 훈련 점수와 교차검증 점수(±1σ 띠)를 그려, 두 곡선이 목표선 아래에서 일찍 만나면 데이터를 더 모아도 소용없는 고편향(모델 키우기), 훈련은 높고 검증과의 간격이 크지만 점점 좁혀지면 데이터 추가·규제가 답인 고분산이라고 읽는 법을 두 사례로 번갈아 보여주는 기법으로, 모델 개선 방향을 정하는 리뷰 자료에 쓴다.

프롬프트

Canvas 2D로 x = 훈련 샘플 수 로그 축(50~5,000, 10점), y = 정확도 0.5~1.0 패널(180×132px)에 sklearn learning_curve(cv=5) 결과처럼 훈련 점수(파랑 #6E80FF)와 검증 점수(노랑 #FFC933)를 ±1σ 띠(σ = 0.06·√(50/n)+0.01, α 0.18)와 함께 왼쪽에서 오른쪽으로 3초 동안 그려줘. 사례 A(0~6초, 고편향): 훈련 0.90→0.74, 검증 0.55→0.72로 낮게 수렴. 사례 B(6~12초, 고분산): 훈련 ≈ 0.99, 검증 0.60→0.86으로 계속 상승하며 간격 0.13, 오른쪽 끝에 검증 곡선 외삽 점선. 목표 성능 0.90 점선, 오른쪽 처방 칩 3개(A: 모델 키우기·특성 추가·규제 완화 / B: 데이터 추가·규제 강화·특성 줄이기)가 0.15초 간격으로 들어오고 HUD에 진단과 간격 값을 표시하는 12초 루프.

라이브 데모 열기 — 학습 곡선 진단 (훈련 크기별 훈련·검증 점수 · 고편향 vs 고분산)

훈련 손실 곡선 읽기 (EMA 스무딩 0 → 0.6 → 0.97 지연 · 조기 종료)

Reading training loss curves: debiased EMA smoothing (0 → 0.6 → 0.97 lag), validation minimum, patience and early stopping

  • TensorBoard
  • Weights & Biases
  • PyTorch
  • Canvas

미니배치 잡음이 큰 3,000스텝 훈련 손실에 TensorBoard식 편향 보정 EMA 스무딩을 0에서 0.6, 0.97까지 올리면 추세는 보이지만 과하면 곡선이 실제보다 늦게 내려오는 지연이 생긴다는 것을 원본 흐림과 함께 보여주고, 100스텝마다 찍은 검증 손실의 U자 최저점·patience 5·조기 종료·최적 체크포인트 복원을 주석으로 붙이는 기법으로, 실험 대시보드의 손실 차트 설정과 과적합 시점 판단에 쓴다.

프롬프트

Canvas 2D로 3,000스텝 훈련 손실 2.3·e^(−s/400)+0.35에 곱셈 잡음(1+0.28·N(0,1))을 넣은 원본 선(1,000점 다운샘플, 가상 좌표 크기 오프스크린 캐시)과 편향 보정 EMA mₜ = α·mₜ₋₁ + (1−α)·xₜ, 출력 mₜ/(1−αᵗ⁺¹)를 패널(288×136px)에 그려줘. α는 0~3초 0, 3~5초 0.6까지, 5~7.5초 0.97까지(곡선이 오른쪽으로 밀리는 지연), 7.5~9초 다시 0.6. 스무딩이 켜지면 원본은 α 0.22로 흐리게. 검증 손실(100스텝마다 30점, 노랑 #FFC933)은 2.3·e^(−s/420)+0.42 + max(0, s−1,400)·0.00018의 U자로, 8.5초부터 최저점 별표, patience 5회 브래킷, 조기 종료 빨간 세로선(1,900스텝), '최적 체크포인트 복원' 곡선 화살표를 순서대로 띄우고 HUD에 α와 상태를 표시하는 12초 루프(PyTorch Lightning EarlyStopping(patience=5)와 같은 규칙).

라이브 데모 열기 — 훈련 손실 곡선 읽기 (EMA 스무딩 0 → 0.6 → 0.97 지연 · 조기 종료)

결정 경계 비교 (로지스틱 · k-NN k=1 · k=15 · RBF 커널)

Decision-boundary comparison on the same two-moons data: logistic regression vs 1-NN vs 15-NN vs an RBF-kernel classifier with train/test accuracy

  • scikit-learn
  • DecisionBoundaryDisplay
  • D3
  • Canvas

같은 초승달 두 클래스 훈련 데이터에 네 분류기의 예측 확률장을 색으로 깔고 p=0.5 경계선을 그어, 직선밖에 못 긋는 로지스틱 회귀(과소적합), 점 하나하나를 감싸는 1-NN(훈련 100%·시험 하락의 과적합), 매끄러운 15-NN과 RBF 커널을 3초씩 크로스페이드로 비교하며 훈련/시험 정확도 차이를 함께 읽게 하는 기법으로, 모델 복잡도와 일반화를 설명하는 강의·문서에 쓴다.

프롬프트

Canvas 2D로 make_moons(n=120, noise=0.3) 훈련점(클래스 0 파랑 #6E80FF, 1 노랑 #FFC933, 어두운 테두리)과 200개 시험점(정확도 계산용)을 만들고, 네 모델의 P(y=1)을 73×34 격자 꼭짓점에서 미리 계산해 ImageData 래스터(α 70~170, 확신할수록 진하게)로 캐시한 뒤 drawImage로 290×132px에 쌍선형 확대해줘. p=0.5 경계선은 마칭 스퀘어로 오프스크린 캐시(흰색 1.2px). 모델: ① 로지스틱 회귀(경사하강 300회), ② KNeighborsClassifier(n_neighbors=1), ③ n_neighbors=15, ④ RBF 커널 가중(γ=8, SVC(kernel="rbf", gamma=8)와 비슷한 모양). 3초마다 0.5초 크로스페이드, 왼쪽 위 칩에 모델 이름, HUD에 훈련·시험 정확도(간격 8%p 넘으면 빨강)를 표시하는 12초 루프.

라이브 데모 열기 — 결정 경계 비교 (로지스틱 · k-NN k=1 · k=15 · RBF 커널)

편향–분산 분해 (다항 차수 1 · 4 · 12의 재표본 적합 다발 · U자 시험 오차)

Bias–variance decomposition: 20 resampled polynomial fits per degree (1, 4, 12) as a spaghetti bundle, with bias², variance and test error against degree

  • scikit-learn
  • NumPy
  • D3
  • Canvas

같은 참 함수에서 뽑은 훈련셋 20개에 각각 다항 회귀를 맞춘 곡선 다발을 차수 1·4·12로 바꿔 보여주면, 차수 1은 다발이 좁지만 참 곡선에서 벗어나고(편향), 차수 12는 평균은 맞지만 다발이 미친 듯이 흔들리며(분산), 오른쪽 그래프에서 편향²은 내려가고 분산은 올라가 시험 오차가 U자를 그리는 것을 함께 읽게 하는 기법으로, 모델 복잡도와 과적합을 개념부터 설명할 때 쓴다.

프롬프트

Canvas 2D로 참 함수 f(x) = 0.8·sin(1.5πx)(x∈[0,1], 흰 점선)에서 잡음 σ=0.25로 훈련셋 20개(각 16점)를 뽑고, 차수 d = 1~12마다 sklearn make_pipeline(PolynomialFeatures(d), Ridge(alpha=1e-4))와 같은 최소제곱 다항 적합을 정규방정식(x → 2x−1 스케일, 부분 피벗 가우스 소거)으로 미리 풀어 40점에서 평가해줘. 왼쪽 152×132px 패널: 현재 차수의 적합 20개(α 0.3, 1px, 패널로 클리핑) + 평균 적합(노랑 #FFC933 2px) + 훈련셋 하나의 점. 차수는 0~4초 1, 4~8초 4, 8~12초 12로 0.5초 크로스페이드. 오른쪽 120×124px: x = 차수 1~12, 편향² = 안쪽 x(0.05~0.95)에서 mean_x(평균 적합 − f)²(파랑), 분산 = mean_x Var(적합)(빨강), 시험 오차 = 편향² + 분산 + σ²(노랑, 0.3에서 잘라 위 화살표)와 현재 차수 세로선. HUD에 세 값을 표시하는 12초 루프.

라이브 데모 열기 — 편향–분산 분해 (다항 차수 1 · 4 · 12의 재표본 적합 다발 · U자 시험 오차)

특성 중요도 A/B (불순도 MDI의 함정 → 검증셋 순열 중요도 ± σ)

Feature importance A/B: impurity-based MDI inflates a random high-cardinality ID; permutation importance on held-out data with ±σ whiskers

  • scikit-learn
  • ELI5
  • D3
  • Canvas

랜덤 포레스트의 불순도 감소(MDI) 중요도는 의미 없는 고유값 열(고객 ID)을 3위 안에 올려 놓지만, 검증셋에서 한 열씩 섞어 점수가 얼마나 떨어지는지 재는 순열 중요도로 바꾸면 그 열이 0으로 떨어지고 순위가 다시 정렬되는 과정을 열 섞기 미니 표와 막대 재정렬 애니메이션으로 보여주는 기법으로, 모델 해석 리포트에서 중요도 그래프를 믿어도 되는지 점검할 때 쓴다.

프롬프트

Canvas 2D로 7개 특성 가로 막대(행 17px)를 그려줘. 0~4.2초 RandomForestClassifier.feature_importances_(MDI: 소득 0.24, 고객 ID 0.21, 부채비율 0.18, 나이 0.14, 가입 채널 0.09, 근속 0.08, 지역 0.06)를 내림차순으로, 고객 ID 막대는 빨강 #FF6B5A + '고유값 많은 열 편향' 경고. 4.2초부터 오른쪽 미니 표(8행, 타깃 ●/○ + 특성 열)에서 소득 열을 섞으면(행 위치 0.9초 EIO 이동) 검증 AUC 0.81 → 0.65, 고객 ID 열을 섞으면 0.81 → 0.81로 표시하고, 7.6~8.8초 sklearn.inspection.permutation_importance(n_repeats=10, scoring="roc_auc") 값(소득 0.16, 부채비율 0.12, 나이 0.07, 근속 0.03, 가입 채널 0.02, 지역 0.01, 고객 ID 0.00)으로 막대 길이와 순위를 함께 보간(키 유지 재정렬)해줘. 이후 ±1σ 수염을 그리고 HUD에 단계별 설명을 표시하는 12초 루프.

라이브 데모 열기 — 특성 중요도 A/B (불순도 MDI의 함정 → 검증셋 순열 중요도 ± σ)

SHAP 3단 전환 (평균 |SHAP| 막대 → 요약 비스웜 → 의존도 산점)

SHAP explanations in three linked views: mean |SHAP| bars morph into a coloured beeswarm summary, then a dependence scatter

  • SHAP
  • scikit-learn
  • D3
  • Canvas

집값 모델의 SHAP 값을 먼저 평균 |SHAP| 막대(전역 중요도, 방향 없음)로 보여준 뒤 각 막대를 이루던 점들이 집 한 채씩의 SHAP 값 위치로 날아가 특성값 색(파랑 낮음→빨강 높음)이 입혀진 요약 비스웜이 되고, 마지막에 역 거리 행만 남아 x=특성값·y=SHAP·색=면적인 의존도 산점으로 펼쳐져 상호작용을 드러내는 기법으로, 모델 설명 리포트에서 전역·개별·상호작용 해석을 한 흐름으로 보여줄 때 쓴다.

프롬프트

Canvas 2D로 집 110채 × 특성 6개(면적·역 거리·학군·연식·층·방 수)의 합성 SHAP 값(예: 역 거리 = −1.9·(v−0.4)·(0.7+0.8·면적))을 만들고 평균 |SHAP| 내림차순 행(20px 간격)에 배치해줘. 0~3.2초 막대(점들이 막대 안을 채움), 3.2~4.6초 EIO로 각 점이 x = 200 + SHAP×34px, 2.2px 구간 겹침 쌓기(±8px 상한) 위치로 이동해 shap.plots.beeswarm 요약 플롯이 되고, 색은 특성값 8단계 발산 램프(#3E5BFF→#2A2F3D→#FF6B5A)로. 8~9.2초 역 거리 행만 남기고(나머지 α→0) 점을 x = 특성값(100~290px), y = 120 − SHAP×28px로 옮겨 shap.plots.scatter(shap_values[:, "역 거리"], color=shap_values[:, "면적"]) 의존도 플롯으로 바꿔줘. SHAP 0 세로선, 색 범례(낮음→높음), HUD에 단계 설명을 표시하는 12초 루프.

라이브 데모 열기 — SHAP 3단 전환 (평균 |SHAP| 막대 → 요약 비스웜 → 의존도 산점)

부분 의존도 vs ICE 곡선 (평균이 숨긴 두 갈래 → c-ICE 중심 맞춤)

Partial dependence vs individual conditional expectation: a flat PDP hiding opposite responses, coloured subgroups, then centred c-ICE

  • scikit-learn
  • PDPbox
  • D3
  • Canvas

광고 노출 횟수에 대한 부분 의존도(PDP)가 거의 평평해 '효과 없음'처럼 보이지만, 개별 고객 60명의 ICE 곡선을 깔면 신규 고객은 오르고 기존 고객은 떨어지는 두 갈래가 서로 상쇄된 것이 드러나고, x=0 기준으로 맞춘 c-ICE에서 갈림이 더 분명해지며 데이터가 희박한 구간(러그)은 빗금으로 경고하는 기법으로, 모델 설명에서 평균 효과만 보고 결론 내리는 실수를 막을 때 쓴다.

프롬프트

Canvas 2D로 x = 광고 노출 0~10회(31점), y = 구매 확률 0~1 패널(270×126px)에 인스턴스 60개의 ICE 곡선 bᵢ ± aᵢ·0.28·(σ(1.1(x−3)) − σ(−3.3))(짝수 = 기존 고객 하락, 홀수 = 신규 고객 상승)을 만들고 그 평균 PDP를 노랑 #FFC933 2.4px로 그려줘. 0~3초 PDP만('효과 없음?'), 3~4초 ICE 60개를 회색 α 0.25로 페이드인, 6~7초 신규 파랑 #6E80FF / 기존 빨강 #FF6B5A로 색 전환, 8.5~9.7초 각 곡선에서 f(x=0)을 빼는 c-ICE(sklearn PartialDependenceDisplay(kind="both", centered=True))로 EIO 이동하고 y축 제목을 'Δ 예측 (x=0 기준)'으로 바꿔줘. 아래 러그 300틱(대부분 0~6회), x > 7.5 구간은 대각 빗금(α 0.08) + '데이터 희박' 라벨, HUD에 단계별 해석을 표시하는 12초 루프.

라이브 데모 열기 — 부분 의존도 vs ICE 곡선 (평균이 숨긴 두 갈래 → c-ICE 중심 맞춤)

어텐션 가중치 두 보기 (쿼리×키 히트맵 · 토큰 연결선 · 헤드 3종)

Attention weights in two linked views: query × key heatmap and BertViz-style token-to-token lines across three heads

  • BertViz
  • PyTorch
  • D3
  • Canvas

트랜스포머 한 층의 어텐션 가중치를 쿼리(행)×키(열) 히트맵과 왼쪽·오른쪽 토큰을 잇는 굵기 = 가중치 연결선으로 동시에 보여주고, 이전 토큰을 보는 헤드·지시어가 선행사(그것은 → 고양이)를 찾는 헤드·마침표에 몰리는 싱크 헤드를 4초씩 바꾸며 쿼리 토큰을 차례로 짚는 기법으로, 언어 모델 해석 강의나 모델 디버깅 문서에서 어텐션 패턴을 설명할 때 쓴다(어텐션이 곧 설명은 아니라는 주의 포함).

프롬프트

Canvas 2D로 토큰 8개(고양이 · 가 · 매트에 · 앉았다 · . · 그것은 · 피곤했다 · .)의 헤드 3개 어텐션을 행별 softmax 로짓으로 만들어줘: ① 이전 토큰 헤드(j = i−1 로짓 4), ② 지시어 헤드(그것은 → 고양이 4.5, 앉았다 → 고양이 3, 피곤했다 → 그것은 3), ③ 싱크 헤드(모든 행 → 첫 마침표 3, 끝 마침표 2.5). 왼쪽 8×8 히트맵(셀 12px, 순차 램프 #1B2A4A→#FFC933, 열 라벨 −45° 회전), 오른쪽은 BertViz head view처럼 쿼리 열(x=200, 오른쪽 정렬)과 키 열(x=284)을 잇는 선(굵기 = 가중치×5px, α = 가중치). 헤드는 4초마다 바뀌고 그 안에서 쿼리 토큰을 0.8초마다 바꿔 히트맵 행을 노란 테두리로 강조, HUD에 최대 가중치(예: '그것은 → 고양이 0.8x'), 아래에 '어텐션 ≠ 인과적 설명' 주의 문구를 표시하는 12초 루프.

라이브 데모 열기 — 어텐션 가중치 두 보기 (쿼리×키 히트맵 · 토큰 연결선 · 헤드 3종)

모델이 본 곳 (바닐라 그래디언트 잡음 → SmoothGrad → Grad-CAM · 워터마크 지름길)

Where the model looked: noisy vanilla gradients, SmoothGrad, coarse Grad-CAM overlay, and a watermark shortcut caught by Grad-CAM

  • Captum
  • PyTorch
  • TensorFlow
  • Canvas

고양이 사진 분류 결과에 대해 픽셀 단위 바닐라 그래디언트(점 잡음), 잡음 평균으로 다듬은 SmoothGrad, 마지막 합성곱 층의 거친 7×5 Grad-CAM 히트맵 오버레이를 차례로 겹쳐 보여주고, 모서리에 워터마크가 있는 사진에서는 Grad-CAM이 고양이가 아니라 워터마크에 불이 들어와 지름길 학습(클레버 한스)을 의심하게 만드는 과정을 보여주는 기법으로, 이미지 모델 설명·데이터 누수 점검 자료에 쓴다.

프롬프트

Canvas 2D로 96×64 절차적 이미지(소파 줄무늬 배경 + 원형 머리 r=14·삼각 귀·타원 몸통 고양이, 두 번째 이미지는 오른쪽 아래 12×10 © 워터마크)를 ImageData로 캐시해 192×128px로 확대하고, 0~2초 원본 + 예측 칩 'tabby cat 0.92'. 2~5초 이미지를 α 0.55로 어둡게 깔고 captum.attr.Saliency 같은 |∂y/∂x| 맵(가장자리 × 무작위 잡음, 흰색), 5~8초 NoiseTunnel(Saliency, nt_type="smoothgrad", nt_samples=25)처럼 부드러운 맵, 8~11초 LayerGradCam 7×5 격자를 쌍선형 확대한 순차 램프(#2F4FA8→#4FD1B5→#FFC933→#FF6B5A, α 0.6) 오버레이, 11~14초 워터마크 이미지로 바꾸면 Grad-CAM 최댓값이 © 위로 옮겨가고 빨간 경고 칩 '지름길 학습 의심'을 띄워줘. 오른쪽 목록에 현재 기법을 강조하고 HUD에 기법별 해석을 표시하는 14초 루프.

라이브 데모 열기 — 모델이 본 곳 (바닐라 그래디언트 잡음 → SmoothGrad → Grad-CAM · 워터마크 지름길)

클래스 불균형 리샘플링 (원본 → 무작위 과대표집 ×14 → SMOTE 합성점 · 경계 이동)

Class-imbalance resampling: original 260 vs 18, random oversampling ×14, then SMOTE interpolated points and the shifting decision boundary

  • imbalanced-learn
  • scikit-learn
  • D3
  • Canvas

다수 클래스 260점 대 소수 클래스 18점에서 로지스틱 경계가 소수 클래스를 거의 버리는 원본, 소수 점을 그대로 14번 복제해 가중치만 키우는 무작위 과대표집, 소수 점과 그 이웃 사이 선분 위에 새 점을 합성하는 SMOTE를 차례로 재생하며 경계선이 다수 쪽으로 밀려 재현율은 오르고 정밀도는 내려가는 교환을 시험셋 수치로 보여주는 기법으로, 사기 탐지·결함 검출처럼 희귀 클래스 모델의 전처리 선택을 설명할 때 쓴다.

프롬프트

Canvas 2D로 다수 클래스 260점(N((0,0), 0.6), 파랑 #6E80FF 작은 점)과 소수 클래스 18점(N((0.75,0.45), 0.28), 노랑 #FFC933 r=2.2 테두리)을 288×136px 패널에 그리고, 각 데이터로 로지스틱 회귀를 경사하강 400회로 학습해 w₀+w₁x+w₂y=0 경계선을 패널에 잘라 그려줘(단계 사이 끝점 EIO 보간 0.8초). ① 0~3.5초 원본, ② 3.5~7초 imblearn RandomOverSampler: 소수 점에 겹친 동심원 + '×14' 라벨(가중치만 증가), ③ 7~11.5초 imblearn SMOTE(k_neighbors=5): 소수 점과 무작위 이웃을 잇는 선분(α 0.3)을 그리고 λ∈[0,1] 위치에 합성점(청록 #4FD1B5)이 2.5초에 걸쳐 차례로 생겨남. 시험셋(다수 1,000 · 소수 70) 재현율·정밀도를 HUD에, 경계 이동 방향 화살표를 표시하는 13초 루프.

라이브 데모 열기 — 클래스 불균형 리샘플링 (원본 → 무작위 과대표집 ×14 → SMOTE 합성점 · 경계 이동)

데이터 드리프트 모니터링 (기준 vs 이번 주 분포 · PSI 추세 · 특성×주차 히트 스트립)

Data-drift monitoring: reference vs current histogram, PSI trend with 0.1 / 0.25 bands, and a feature × week PSI heat strip

  • Evidently
  • scikit-learn
  • D3
  • Canvas

배포된 모델의 입력 특성 6개를 16주 동안 감시하며, 위에는 가장 많이 흔들린 특성의 기준(학습 당시) 히스토그램 윤곽과 이번 주 분포를 겹치고 그 특성의 PSI 추세선을 0.1(주의)·0.25(경보) 띠와 함께, 아래에는 특성×주차 PSI 히트 스트립을 주 단위로 채워 앱 버전의 갑작스러운 변화와 결제 금액의 점진적 이동을 구분하게 하는 기법으로, MLOps 모니터링 대시보드와 재학습 시점 판단에 쓴다.

프롬프트

Canvas 2D로 특성 6개(앱 버전·결제 금액·세션 길이·지역·기기·나이)의 주별 분포를 N(μ_w, σ_w)로 만들고(앱 버전은 9주 차에 μ 0 → 1.4로 점프, 결제 금액은 5주 차부터 주당 μ +0.08·σ +0.03 점진 이동, 나머지는 ±0.06 잡음), 기준 N(0,1)과 10구간(−3~3)으로 PSI = Σ(cᵢ − rᵢ)·ln(cᵢ/rᵢ)를 계산해줘. 0.6초마다 한 주씩 진행해 ① 왼쪽 위(150×60px) 이번 주 PSI 최대 특성의 기준 윤곽(회색) vs 현재 막대(상태 색), ② 오른쪽 위(120×60px) 그 특성의 PSI 추세 + 0.1·0.25 점선, ③ 아래(16열 × 6행, 셀 15×10px) PSI 히트 스트립(< 0.1 청록 옅게, 0.1~0.25 노랑, > 0.25 빨강 #FF6B5A)을 채우고 현재 주 열에 커서. HUD에 주차·특성·PSI·상태(Evidently DataDriftPreset 기준과 같은 임계)를 표시하는 12초 루프.

라이브 데모 열기 — 데이터 드리프트 모니터링 (기준 vs 이번 주 분포 · PSI 추세 · 특성×주차 히트 스트립)

모델 비교 임계 차이 도표 (평균 순위 · Nemenyi CD 막대 · 무차별 묶음)

Critical-difference diagram: average ranks of six models over 20 datasets, the Nemenyi CD bar and cliques of statistically indistinguishable models

  • scikit-posthocs
  • Orange
  • D3
  • Canvas

여러 데이터셋에서 모델 6개의 순위를 하나씩 쌓아 평균 순위 눈금 위 위치가 수렴해 가는 모습을 보여준 뒤, Friedman 검정 후 Nemenyi 임계 차이(CD) 막대와 그 안에 드는 모델들을 굵은 묶음선으로 이어 '1위와 2위는 통계적으로 구분되지 않음'을 읽게 하는 임계 차이 도표 기법으로, 벤치마크 논문·모델 선택 보고서에서 평균 점수 표 대신 쓴다.

프롬프트

Canvas 2D로 모델 6개(XGBoost · LightGBM · 랜덤 포레스트 · 로지스틱 · k-NN · 나이브 베이즈)의 데이터셋 20개 점수를 μ + N(0, 0.9)로 만들어 데이터셋별 순위를 매기고, 0.5~7.5초 동안 0.35초마다 데이터셋 하나씩 반영해 순위 축(1~6, x 72~246px) 위 모델 표식이 누적 평균 순위로 EIO 이동하게 해줘. 표식에서 아래로 내린 선 끝에 이름(평균 순위 < 3.5는 왼쪽, 나머지는 오른쪽, 14px 간격). 아래에는 20열 × 6행 순위 격자(11×7px, 1위 노랑 → 6위 남색)를 같은 속도로 채워줘. 8초에 CD = q₀.₀₅·√(k(k+1)/(6N)) = 2.850·√(42/120) ≈ 1.69 막대(축 위, 'CD = 1.69')를 그리고, 8.6초부터 평균 순위 차가 CD 미만인 최대 묶음을 굵은 흰 선(3px)으로 표시하는 12초 루프(scikit-posthocs.critical_difference_diagram / Orange의 graph_ranks와 같은 규칙).

라이브 데모 열기 — 모델 비교 임계 차이 도표 (평균 순위 · Nemenyi CD 막대 · 무차별 묶음)