---
title: Minitab의 회귀 분석을 사용한 예측 분석 - Part II Predictive Analytics using Minitab's Regression – Part II
description: 회귀 분석을 사용하여 모델의 예측 능력을 검증하고, 분석 및 모델 선택을 자동화하고, 새로운 결과를 예측하는 방법을 알아보세요.
---

[Minitab 블로그](https://blog.minitab.com/ko/blog)

# [Minitab의 회귀 분석을 사용한 예측 분석 - Part II Predictive Analytics using Minitab's Regression – Part II](https://blog.minitab.com/ko/blog/predictive-analytics-minitab-regression-part-ii)

 작성자: [Dennis Corbin](https://blog.minitab.com/ko/blog/author/dennis-corbin) | 2021. 7. 29 오전 4:00:00

회귀 분석의 목표는 정확한 예측입니다. 모형의 예측 기능에 영향을 미치는 두 가지 요인은 모형의 (선형, 교호작용, 이차) 항과 모형을 계산하는 데 사용되는 표본 데이터입니다. 항이 너무 많은 모형은 종종 표본 데이터에 과적합되지만 새로운 데이터 값을 잘 예측하지 못합니다.

[Minitab Statistical Software](https://www.minitab.com/ko-kr/products/minitab/)에서 회귀 분석을 사용하면 다음이 가능합니다.

- 예측 모형 [구축, 검증 및 시각화](https://blog.minitab.com/ko/predictive-analytics-minitab-regression-part-i?hsLang=ko)(Part I).
- 모형의 예측력 [검증.](https://blog.minitab.com/ko/blog/predictive-analytics-minitab-regression-part-ii?hs_amp=true#validate)
- 분석 및 모형 선택 [자동화](https://blog.minitab.com/ko/blog/predictive-analytics-minitab-regression-part-ii?hs_amp=true#automate).
- 새로운 결과 [예측](https://blog.minitab.com/ko/blog/predictive-analytics-minitab-regression-part-ii?hs_amp=true#predict) 및 매개변수 최적화.

Part I에서는 예측 모형을 빨리 만들고 검증하고 시각화하는 방법에 대해 설명했습니다. 이제는 모형의 예측력 검증, 분석 및 모형 선택 자동화, 새로운 결과 예측 같은 고급 기능에 대해 알아보겠습니다.

## MINITAB STATISTICAL SOFTWARE에서 예측 모형의 성능 검증

아래에는 과적합 모형의 그림이 있습니다. 동일한 공정의 새로운 데이터를 추가하면 모형이 해당 데이터의 새로운 측정값을 잘 예측하지 못합니다. 선형 모형을 사용해 원래 데이터를 적합할 경우 더 정확한 예측이 가능할 수 있습니다. 검증은유효성 검사는 예측 가능성이 낮은 모형이 생성되지 않도록 하기 위해 사용합니다.

검증은 먼저 데이터 집합(훈련 데이터)의 모형을 만든 후 이 모형을 사용하여 모형을 만들 때 누락된 집합(테스트 데이터)에 대해 예측을 수행하는 2단계 과정입니다. 검증 기법에는 단일 관측치 (Leave-one-out) 검증, K-폴드(K-Fold) 및 테스트 데이터로 검증의 세 가지 기법이 있습니다.

검증을 사용할 때 분석가는 보고된 모형과 해당 R 2 (결정계수) 값을 이해해야 합니다. 이런 R 2 값은 모형이 표본 데이터의 변동을 설명하는 정도와 새로운 값을 정확하게 예측할 수 있는 능력을 이해하기 위해 사용됩니다. R 2 가 높을수록 적합합니다. 과적합이 잠재적인 문제라면 테스트 데이터와 훈련 데이터의 R 2 값이 크게 다를 것입니다.

### 단일 관측치(Leave-one-out) 검증

검증 과정에서는 데이터 점 하나를 제외하여 테스트 데이터로 사용합니다. 나머지 n-1개의 관측치는 훈련 모형을 계산하는 데 사용됩니다. 그런 다음 제거된 데이터 점의 예측 오차를 이 모형으로 계산합니다. 이 과정을 각 관측치마다 반복합니다. 예측 오차를 사용하여 예측된 R 2를 생성합니다. 예측된 R 2는 모든 회귀 모형의 기본 출력입니다.

### 회귀 분석의 K-Fold 검증

K-Fold 검증에서는 데이터를 K개의 크기가 같은 그룹에 무작위로 할당합니다(보통 K=10). 첫 번째 그룹은 테스트 데이터로 제거되고, 나머지 그룹은 훈련 데이터로 사용하여 모형을 만듭니다. 제외된 그룹은 예측 오차를 계산하기 위해 훈련 모형으로 예측됩니다. 이 과정을 각 그룹마다 반복하고 복합 K-폴드 R 2를 계산합니다.

### 테스트 데이터를 사용한 검증

테스트 데이터를 사용한 검증 방법에서는 데이터의 임의 부분 집합을 테스트 데이터(예: 30%)로 할당하고 나머지 훈련 데이터(70%)를 사용하여 예측 모형을 계산합니다. 이 모형을 테스트 데이터로 검증하여 테스트 R 2를 계산합니다.

### 검증 기법 비교

K-Fold 검증은 중간 크기의 표본과 함께 사용하면 더 효과적이고, 테스트 데이터를 사용한 검증은 매우 큰 데이터 집합에 적합합니다. 단일 관측치(Leave-One-Out) 검증 및 K-Fold 검증 기법은 모형의 형태만 검증하고 테스트 데이터 방법을 사용한 검증처럼 정확한 모형 계수를 검증하지 않는다는 점에 주의해야 합니다.

## **분석과 모형 선택 자동화**

회귀 분석에 사용할 모형은 일반적으로 수동으로 선택합니다. 하지만 데이터 집합의 관측치 수만 증가하는 데 그치지 않고 측정하는 변수도 더 많아지고 있습니다. 이 경우 항을 수동으로 제거하려면 힘들 수 있습니다.

모형 선택은 자동화할 수 있으며, 일반적으로 다음 세 가지 절차가 사용됩니다.

- *항의 p-값에 대한 알파 기준: 단계적, 전진 선택법 및 후진 제거법에서는 항이 임계값 알파에서 유의미한 모형을 선택합니다.*
- *모형 적합에 대한 정보 기준: AICc 또는 BIC 전진 선택법에서는 선택된 정보 기준을 최소화하는 모형을 선택합니다.*
- *모형의 예측 적합에 대한 R-제곱 값: K-Fold나 테스트 데이터 전진 선택법을 사용한 검증에서는 테스트 R 2가 가장 높은 모형을 선택합니다.*

이런 방법은 종종 결과가 서로 다르므로 산업 지식을 토대로 가장 실용적이고 영향력이 강한 솔루션을 찾는 방법이 가장 효과적입니다.

## 새로운 결과 예측 및 매개변수 최적화

회귀 분석은 강력한 도구이며, "최적" 모형을 선택한 후 예측하는 데 사용할 수 있습니다. 제조 시설의 청정실(클린룸)과 관련된 사례를 예로 들어 보겠습니다. 여러 예측 변수가 입방 피트당 총 100개가 넘는 크기가 0.5μ 이상인 입자 수에 미치는 영향을 이해하는 것이 중요합니다. 공정 엔지니어들이 입자 수에 대한 예측 모형을 만듭니다.

이 모델은 직원 7명과 청정실(클린룸) 출입구 24개로 1,000개의 생산량을 예측하는 데 사용됩니다.

입방 피트당 크기가 0.5μ 이상인 총 100개가 넘는 예상 평균 입자 수는 87.63개입니다. 신뢰 구간과 예측 구간은 예측의 잠재적 오차를 설명합니다.

## MINITAB을 사용하면 쉬워지는 회귀 분석

분석가는 편리한 Minitab을 통해 최신 회귀 분석 도구를 모두 사용할 수 있습니다. 아직도 Minitab의 힘을 활용하여 데이터의 가치를 극대화하지 않고 있다면 지금 [모든 기능을 사용할 수 있는 Minitab Statistical Software 30일 평가판을 무료로 다운로드하세요.](https://www.minitab.com/ko-kr/products/minitab/free-trial/)

[전체 게시물 보기](https://blog.minitab.com/ko/blog/predictive-analytics-minitab-regression-part-ii)

```json
{
  "@context" : "http://schema.org",
  "@type" : "BlogPosting",
  "author" : {
    "@type" : "Person",
    "name" : "Dennis Corbin"
  },
  "dateModified" : "2025-08-18T13:50:51.016Z",
  "datePublished" : "2021-07-29T04:00:00Z",
  "headline" : "Minitab의 회귀 분석을 사용한 예측 분석 - Part II Predictive Analytics using Minitab's Regression – Part II",
  "image" : {
    "@type" : "ImageObject",
    "height" : 416,
    "url" : "https://3447555.fs1.hubspotusercontent-na1.net/hubfs/3447555/B2BML%20-%20NEW%20FILE%20MANAGER%20STRUCTURE/Blog%20Images/Imported_Blog_Media/predictive-analytics-regression-pt-2-leave-one-out-k-fold-test-Jul-05-2025-10-41-45-8650-PM.png",
    "width" : 624
  },
  "mainEntityOfPage" : "https://blog.minitab.com/ko/blog/predictive-analytics-minitab-regression-part-ii",
  "publisher" : {
    "@type" : "Organization",
    "logo" : {
      "@type" : "ImageObject",
      "height" : 60,
      "url" : "/hs/hsstatic/content_shared_assets/static-1.4092/img/default-amp-logo.png",
      "width" : 60
    },
    "name" : "Minitab 블로그"
  }
}
```