📊 표 통합모델 콘텐츠 소개

"표 통합모델"은 엑셀 표를 읽고 규칙을 찾아, 새 데이터가 들어왔을 때 숫자를 맞히거나(회귀) 종류를 고르는(분류) AI 모델을 만드는 콘텐츠입니다. 표 분류와 표 회귀 페이지가 하던 일을 하나로 합쳤습니다.

예를 들어 요일, 날씨, 기온, 이벤트로 카페의 하루 매출(숫자)과 혼잡도(한산/보통/붐빔)를 함께 예측하거나, 나이와 방문 횟수와 지출로 고객 등급을 고르는 식입니다.

입력 데이터: 결과에 영향을 줄 수 있는 값들입니다. 날씨처럼 글자로 된 종류(카테고리)여도 되고, 기온처럼 숫자(수치)여도 됩니다. 예전 표 분류처럼 1과 0으로 바꿔 적을 필요가 없습니다.

출력 데이터: AI가 맞힐 값입니다. 매출처럼 숫자면 회귀로, 혼잡도처럼 종류면 분류로 배웁니다. 출력 열이 여러 개면 회귀와 분류를 섞어 한 모델로 배우고, 출력마다 출력층이 하나씩 붙습니다.

모델은 입력을 숫자로 바꿔 은닉층 몇 개를 지나 출력으로 잇는 다층 퍼셉트론(MLP)입니다. 카테고리 입력은 종류마다 하나씩 자리를 두고(원핫), 수치 입력은 정규화해서 넣습니다.

표 분류, 표 회귀에서 옮겨 오기

표 분류와 표 회귀 페이지는 2026년 11월 30일까지만 남고 이 페이지로 합쳐집니다. 예전 페이지에서 쓰던 원인 시트와 결과 시트 두 시트 엑셀은 그대로 올리면 자동으로 한 시트로 합쳐집니다. 결과 시트가 승리, 무승부, 패배처럼 행마다 1이 하나뿐인 열 여러 개(원핫)면 1인 열 이름을 값으로 쓰는 열 하나로 접어 분류 출력이 됩니다. 나머지 설정은 열 설정 표에서 자동으로 추정합니다.

🖥️ UI 컴포넌트 구성 소개

아래는 실제 페이지와 똑같이 움직이는 화면입니다. 예제 "카페 매출과 혼잡도 예측"이 들어 있으니 학습하기 버튼을 눌러 예측까지 따라가 보세요.

제목

페이지 상단에 표 통합모델 기능을 설명하는 제목이 표시됩니다.

간단 사용법

제목 오른쪽 아래의 "간단 사용법"을 누르면 데이터 준비부터 학습까지의 흐름이 한 장으로 펼쳐집니다. 다시 누르면 접힙니다.

AI로 데이터 만들기

입력 칸에 "날씨와 요일로 아이스크림 판매량 예측"처럼 만들고 싶은 데이터를 적고 보내면 AI가 입력 열과 출력 열을 갖춘 표를 만들어 아래 표에 넣어 줍니다. 만드는 동안 진행 상황이 화면에 흐릅니다.

예제 불러오기

예제 버튼을 누르면 브라우저에서 바로 표가 만들어집니다. 아이스크림 판매량(회귀), 고객 등급(분류), 음식 종류 태그(분류 4개), 카페 매출과 혼잡도(회귀와 분류) 예제가 있습니다. "더 많은 예제 보기"는 표 분류와 표 회귀에서 옮겨 온 예제와 다른 사람이 공유한 프로젝트 목록을 엽니다.

엑셀 파일 업로드

점선 상자를 누르거나 엑셀 파일을 끌어다 놓으면 표에 올라갑니다. 올라간 뒤에는 상자에 파일명이 표시됩니다.

데이터 표

올라온 데이터를 보여 주는 표입니다. 첫 열은 항목(이름), 나머지가 데이터 열입니다. 이 페이지의 표는 엑셀, 예제, AI 생성으로만 채우고 칸을 직접 고치지는 않습니다. 값을 바꾸려면 표 아래의 다운로드 버튼()으로 엑셀을 받아 고친 뒤 다시 올려 주세요. 표 아래에는 행 수가 나옵니다.

열마다 세로줄이 역할 색으로 칠해집니다. 파란 줄은 입력, 주황 줄은 출력, 회색 줄은 제외한 열입니다.

입력과 출력 정하기 (열 설정 표)

데이터 표 아래에 열마다 역할과 종류를 정하는 표가 나옵니다. 처음에는 맨 끝 열이 출력, 나머지가 입력으로 잡히고, 종류는 값을 보고 자동으로 추정합니다. 언제든 바꿀 수 있고, 오른쪽 위의 "자동 추정으로 되돌리기"를 누르면 처음 값으로 돌아갑니다.

• 역할: 입력은 AI가 보고 판단하는 값, 출력은 AI가 맞힐 값, 제외는 학습에 쓰지 않는 열입니다.
• 데이터 종류: 카테고리와 수치 중 하나입니다. 값이 정수이고 종류가 5개 이하면 카테고리로, 그 밖의 숫자는 수치로 추정합니다. 출력 열에서는 종류가 곧 학습 방식입니다. 수치면 회귀, 카테고리면 분류입니다.
• 정규화: 수치 열은 0~1, -1~1, z-score(평균 0, 표준편차 1), 없음 중에서 고릅니다. 카테고리 열은 원핫으로 바꾸므로 정규화하지 않습니다.
• 값 미리보기: 카테고리 열은 종류 수와 종류 몇 개, 수치 열은 최솟값과 최댓값과 평균이 나옵니다.

모델 구조 그림

열 설정 표 아래에 지금 설정으로 만들어질 모델이 그려집니다. 입력 카드, 은닉층 노드, 출력 카드가 선으로 이어지고, 오른쪽 위에 파라미터 수와 모델 크기가 나옵니다. 노드에 마우스를 올리면 그 노드의 계산식이 나오고, 학습이 끝난 뒤에는 실제 가중치 숫자와 영향이 큰 입력이 함께 나옵니다.

학습하기

준비한 데이터로 AI 모델을 학습시키는 버튼입니다.

학습 설정

은닉층 수, 노드 수, 학습 횟수, 학습률 같은 설정을 조정할 수 있는 영역입니다. 자세한 설명은 아래 학습하기 절에 있습니다.

📸 수집하기

표 통합모델을 잘 학습하려면 입력과 출력이 짝지어진 행이 충분히 있어야 합니다.

아래는 데이터를 모으는 세 가지 방법입니다.

하나의 주제 정하기

• 먼저 학습할 주제를 정합니다. 예를 들어 "매점 간식 판매량 예측"을 고릅니다.
• 어떤 열이 입력이고(요일, 날씨, 기온) 어떤 열이 출력인지(판매량, 품절 여부) 정합니다.
• 분류 출력이면 종류마다 행이 비슷한 수로 모이도록 합니다. 한쪽에만 몰리면 AI가 그쪽만 고르게 됩니다.

데이터 입력 방법

AI로 만들기

• 페이지 위 입력 칸에 주제를 적으면 AI가 입력 열과 출력 열이 든 표를 만들어 줍니다.
• 만든 표는 엑셀로 내려받아 값을 고치거나 더 보탠 뒤 다시 올릴 수 있습니다.

설문지 또는 엑셀 파일 활용

• 학습할 주제를 정한 후, 입력과 출력 항목을 포함한 설문지를 만들어 배포합니다.
• 모인 답을 엑셀 한 시트에 정리합니다. 한 행이 데이터 하나입니다.
• 정리한 파일을 엑셀(.xlsx)로 저장해 업로드합니다.

공공 데이터 활용

• 국가통계포털 KOSIS, 공공데이터포털, 기상청 같은 곳에서 실제 데이터를 받아 쓸 수 있습니다.
• 받은 표에서 쓸 열만 남기고 첫 열에 항목 이름을 넣어 정리합니다.

엑셀 파일 데이터 입력 방법

엑셀 또는 구글 스프레드시트에 입력할 때는 다음 규칙을 따라야 합니다

시트 구성

• 시트 하나에 입력 열과 출력 열을 함께 넣습니다.
• 첫 행은 열 이름, 첫 열은 항목(이름)입니다. 항목은 번호나 짧은 이름이면 됩니다.
• 표 분류와 표 회귀의 원인 시트와 결과 시트로 나눈 파일도 그대로 올리면 자동으로 한 시트로 합쳐집니다.

데이터 형식

• 숫자와 글자를 섞어 써도 됩니다. 날씨 열에 맑음, 흐림, 비라고 적으면 카테고리로 읽습니다.
• 카테고리 열 하나의 종류는 최대 50개입니다.
• 출력 열이 여러 개여도 됩니다. 열마다 회귀인지 분류인지 열 설정 표에서 정합니다.

크기와 빈칸

• 열은 항목 열을 빼고 최대 64개, 행은 최대 999개입니다.
• 학습에 쓰는 열에는 빈칸이 없어야 합니다. 빈칸이 있으면 학습하기를 눌렀을 때 몇 개인지 알려 줍니다.

예시

파일 업로드

• 데이터를 모두 입력한 후, 파일을 엑셀(.xlsx) 형식으로 저장합니다.
• 업로드하면 위의 규칙에 어긋난 곳을 알려 주니 고쳐서 다시 올리면 됩니다.
• 형식이 헷갈리면 예제를 불러온 뒤 표 아래의 다운로드 버튼으로 엑셀을 받아 그 모양대로 채워 보세요.

📚 학습하기

사용자가 준비한 표를 바탕으로 AI 모델이 학습하여 결과를 예측하는 과정입니다.

학습은 브라우저 안에서 돌아가므로 데이터가 밖으로 나가지 않습니다. 사용자는 결과만 확인하면 됩니다.

학습하기

학습하기 버튼을 누르면 표를 숫자로 바꾸고 학습이 시작됩니다. 학습 중에는 상단에 진행률 막대가 표시되고, 끝나면 예측 화면이 열립니다.

학습 설정

학습하기 버튼 옆의 톱니바퀴를 누르면 설정 창이 열립니다. 적용한 설정은 다음 학습하기부터 쓰입니다. 모델은 1MB 안에서 만들어지며, 넘으면 은닉층이나 노드 수를 줄여 주세요.

은닉층 수

입력과 출력 사이에 은닉층을 몇 개 둘지 정합니다. 기본은 3층입니다. 많을수록 복잡한 패턴을 학습할 수 있지만 과적합 위험이 있습니다.

노드 수

은닉층 하나에 노드(뉴런)를 몇 개 둘지 정합니다. 자동이면 입력과 출력 크기에 맞춰 32~128 사이로 정합니다.

학습 횟수 (Epoch)

입력한 데이터 전체를 몇 번 반복하여 학습할지 정하는 부분입니다. 예를 들어 학습 횟수가 10일 경우, 전체 데이터를 10번 반복하여 학습합니다. 많이 학습할수록 더 정확한 모델을 만들 수 있지만 학습 시간이 오래 걸리고, 너무 많으면 과적합(Overfitting)이 생겨 오히려 안 좋은 모델이 될 수 있습니다. 기본값은 100입니다.

배치 크기 (Batch Size)

입력한 데이터 전체를 얼마큼 작은 부분으로 쪼개서 학습할지 정하는 부분입니다. 예를 들어 전체 데이터가 1000개이고 배치 크기가 100일 경우, 한 번에 100개의 데이터로 학습하게 됩니다. 배치 크기가 작을수록 모델이 더 자주 학습하고, 클수록 메모리를 더 씁니다. 기본값은 16입니다.

학습률 (Learning Rate)

AI 모델을 얼마나 빠르게 학습할지 정하는 부분입니다. 학습률이 너무 높으면 학습이 빠르게 진행되지만 최적의 값을 찾지 못할 수 있고, 너무 낮으면 느리게 진행되지만 최적의 값을 찾을 수 있습니다. 기본값은 0.001입니다.

조기 종료 (Early Stopping)와 Patience

켜 두면 검증 loss가 Patience(기본 50)번의 에포크 동안 나아지지 않을 때 학습 횟수를 다 채우기 전에 멈춥니다. 검증 데이터는 행이 20개 이상일 때 떼어 두므로, 그보다 작은 표는 끝까지 학습합니다.

📈 결과보기

결과 UI를 보려면 학습하기 버튼을 클릭하세요.

학습 완료 화면

학습이 끝나면 위 상자에 예측 화면이 열립니다. 열 설정 아래에 있던 모델 그림과 같은 모양이고, 왼쪽이 입력 카드, 오른쪽이 출력 카드입니다.

새로운 데이터 입력

입력 카드에 값을 넣습니다. 카테고리 열은 목록에서 종류를 고르고, 수치 열은 숫자를 적습니다. 숫자 칸에는 학습 데이터의 최솟값과 최댓값이 흐리게 적혀 있어 어느 범위의 값인지 알 수 있습니다.

선택완료 (예측하기)

값을 다 고르고 선택완료 버튼을 누르면 출력 카드에 결과가 나옵니다. 회귀는 예측값, 분류는 고른 종류와 종류별 확률 막대입니다. 가운데 은닉층 노드에 마우스를 올리면 학습으로 정해진 실제 가중치와 영향이 큰 입력이 나옵니다.

학습 결과 그래프

예측 화면 아래에 에포크마다의 학습 loss와 검증 loss 그래프가 나옵니다. loss는 0에 가까울수록 좋습니다. 검증 loss가 다시 오르면 과적합이니 학습 횟수를 그 지점까지 줄이거나 데이터를 늘려 보세요.

저장하기

로그인하면 저장하기 버튼이 켜집니다. 모델 이름, 설명, 데이터 출처, 썸네일, 공개 여부를 적어 저장하면 공유 주소가 생기고, 그 주소로 들어온 누구나 저장된 모델로 예측해 볼 수 있습니다. 공개로 저장한 모델은 만들기 목록의 공유 프로젝트에도 나옵니다.

코랩 실행

학습에 쓴 데이터를 시트 하나짜리 엑셀로 내려받아 파이썬에서 직접 다뤄 볼 수 있습니다.

데이터 편집하기

학습이 끝나면 표 위에 덮개가 생깁니다. 데이터 편집하기 버튼을 누르면 덮개가 걷혀 표를 바꾸고 다시 학습할 수 있습니다.