23. 독학사 2단계 머신러닝 예상기출모의고사

이 모의고사는 실제 기출문제를 그대로 옮긴 것이 아닙니다. 국가평생교육진흥원이 공개한 독학사 2단계 머신러닝 출제기준(평가영역)을 바탕으로 새로 구성한 연습 문제다. 실제 회차의 문항 수·배점·시험 시간은 매 시행 공고마다 다를 수 있으므로 공식 공고를 반드시 확인해야 한다. 권장 풀이 시간은 약 35분이다(선택형 문항당 약 1.2분 기준으로 24문항을 계산하고, 계산형 문항의 여유 시간과 마킹·재검토 시간을 더했다). 실전처럼 시간을 재고 먼저 풀어본 뒤 해설과 대조하는 것을 권장한다.

이 편은 01편부터 20편까지 다룬 전 범위를 개념 확인형·계산형·비교형 문제로 고르게 섞어 구성한 종합 모의고사다. 21~23편에서 유형별로 집중 훈련했다면, 이 편에서는 실제 시험처럼 유형이 뒤섞인 상태로 풀어 보는 것이 핵심이다.

문항 배분

영역	다루는 편	문항 수	문항 번호
기초 개념·용어	01–03	3	1–3
전처리·학습 패러다임	06–07	2	4–5
회귀·정규화 계산	08–09	3	6–8
로지스틱 회귀	10	2	9–10
트리·나이브베이즈·거리 기반 분류	11–12	4	11–14
앙상블	13	1	15
비지도학습·연관 규칙	14–15	2	16–17
차원 축소	16–17	2	18–19
평가 지표	18	2	20–21
모델 선택·신경망	19–20	3	22–24
합계	-	24	1–24

선행 개념 점검 (1–3번)

문제 14지선다

어떤 회사가 과거 3년간의 '집 면적, 방 개수, 준공연도, 실제 판매가격' 데이터를 이용해 새 매물의 판매가격을 예측하는 모델을 만들려고 한다. 이 문제는 어떤 학습 패러다임에 해당하는가?

비지도학습(unsupervised learning)지도학습(supervised learning) 중 회귀지도학습(supervised learning) 중 분류강화학습(reinforcement learning)

문제 24지선다

머신러닝 데이터셋을 구성하는 '특징 행렬(feature matrix)'과 '타깃 벡터(target vector)'에 대한 설명으로 옳은 것은?

특징 행렬은 예측하려는 정답 값들을 모아 놓은 것이고, 타깃 벡터는 입력 변수들을 모아 놓은 것이다특징 행렬은 각 행이 하나의 샘플, 각 열이 하나의 입력 변수(특징)로 이루어진 표이고, 타깃 벡터는 각 샘플에 대응하는 정답(레이블) 값들의 모음이다특징 행렬과 타깃 벡터는 항상 같은 크기의 정사각 행렬이어야 한다비지도학습에서는 특징 행렬 없이 타깃 벡터만 사용한다

문제 34지선다

두 특징 벡터 사이의 코사인 유사도(cosine similarity)가 1에 가깝다는 것은 무엇을 의미하는가?

두 벡터의 크기(길이)가 거의 같다는 뜻이다두 벡터가 가리키는 방향이 거의 같다는 뜻이다두 벡터가 서로 정확히 반대 방향을 가리킨다는 뜻이다두 벡터의 모든 성분 값이 0이라는 뜻이다

전처리·학습 패러다임 (4–5번)

문제 44지선다

온라인 쇼핑몰이 회원 탈퇴 여부를 예측하는 모델을 만들 때, 전체 회원의 2퍼센트만 탈퇴자이고 98퍼센트는 유지 회원이었다. 이런 데이터 불균형 상황에서 취할 수 있는 대응으로 가장 적절한 것은?

탈퇴자 데이터를 오버샘플링하거나 유지 회원 데이터를 언더샘플링해 클래스 비율을 조정하고, 정확도 대신 정밀도·재현율·F1 등의 지표로 평가한다정확도만 확인하면 충분하므로 별도의 조정 없이 그대로 학습한다탈퇴자 데이터를 전부 삭제하고 유지 회원 데이터만으로 학습한다입력 변수를 하나로 줄여서 불균형 문제를 해결한다

문제 54지선다

레이블이 없는 고객 구매 데이터를 이용해, 비슷한 구매 패턴을 보이는 고객들끼리 몇 개의 그룹으로 자동으로 묶으려고 한다. 이는 어떤 학습 패러다임에 해당하는가?

지도학습 중 회귀지도학습 중 분류비지도학습 중 군집화(clustering)강화학습

회귀·정규화 계산 (6–8번)

문제 64지선다

데이터 x=(0,1,2,3), y=(1,4,7,10)에 단순 선형회귀 직선 y=ax+b를 맞춰 기울기 a=3, 절편 b=1을 얻었다. x=5일 때의 예측값은?

15161718

문제 74지선다

릿지 회귀에서 정규화 이전 잔차제곱합(RSS)이 8, 회귀계수가 β=(1, 2, -2), 정규화 강도 λ=1일 때, 릿지의 전체 목적함수 값(RSS + L2 페널티)은?

13141617

문제 84지선다

같은 회귀계수 β=(1, 2, -2), 정규화 강도 λ=1을 라쏘 회귀(L1 정규화)에 적용할 때, L1 페널티 값(λ×Σ|β|)은?

3459

로지스틱 회귀 (9–10번)

문제 94지선다

로지스틱 회귀에서 선형결합 값 z=-1일 때, 시그모이드 함수 σ(z)=1/(1+e^(-z))의 값은 약 얼마인가? (e≈2.718)

약 0.12약 0.27약 0.50약 0.73

문제 104지선다

로지스틱 회귀에서 예측 확률 σ(z)에 임계값 0.5를 적용해 클래스를 나눌 때, σ(z)=0.5가 되는 지점(z=0)이 갖는 의미로 가장 적절한 것은?

모델이 두 클래스 중 어느 쪽인지 전혀 예측하지 못하는 오류 상태를 의미한다결정 경계(decision boundary), 즉 이 지점을 기준으로 클래스 예측이 갈리는 경계를 의미한다해당 데이터가 반드시 이상치(outlier)라는 의미다이 지점에서는 로지스틱 회귀가 회귀 문제로 바뀐다는 의미다

트리·나이브베이즈·거리 기반 분류 (11–14번)

문제 114지선다

어떤 노드에 양성 12개, 음성 4개(총 16개)가 섞여 있을 때, 이 노드의 지니 지수(Gini index)는?

0.250.3750.50.75

문제 124지선다

스팸 메일 분류에서 나이브 베이즈(Naive Bayes)가 특히 널리 쓰이는 이유로 가장 적절한 것은?

단어들 사이의 문법적 상호작용을 가장 정교하게 반영하는 알고리즘이기 때문이다조건부 독립 가정 덕분에 계산이 단순하고 빠르며, 단어 등장 여부 같은 특징이 매우 많은 텍스트 데이터에서도 비교적 잘 동작하기 때문이다레이블이 전혀 없는 데이터에서도 스팸 여부를 구분할 수 있기 때문이다항상 결정트리나 SVM보다 정확도가 높기 때문이다

문제 134지선다

2차원 점 A(0, 0)와 B(6, 8) 사이의 유클리드 거리는?

8101448

문제 144지선다

SVM에서 선형으로 분리되지 않는 데이터를 다루기 위해 커널(kernel) 함수를 사용하는 목적으로 가장 적절한 것은?

데이터의 결측치를 자동으로 채우기 위해서다데이터를 더 높은 차원의 공간으로 매핑해, 원래 공간에서는 직선으로 나눌 수 없던 데이터를 새로운 공간에서 선형으로 분리할 수 있게 하기 위해서다데이터의 클래스 수를 줄이기 위해서다훈련 데이터의 개수를 늘리기 위해서다

앙상블 (15번)

문제 154지선다

부스팅(boosting)에 대한 설명으로 옳은 것은?

모든 개별 모델을 동시에 병렬로 학습시킨 뒤 평균을 낸다이전 모델이 잘못 예측한 데이터에 더 큰 가중치를 부여하며 다음 모델을 순차적으로 추가해 나간다결정트리를 전혀 사용할 수 없는 앙상블 기법이다항상 배깅보다 계산 속도가 빠르다

비지도학습·연관 규칙 (16–17번)

문제 164지선다

DBSCAN에서 하이퍼파라미터 eps(반경)와 min_samples(최소 이웃 수)가 하는 역할로 가장 적절한 것은?

eps와 min_samples는 군집의 개수를 직접 지정하는 값이다eps는 이웃으로 인정할 거리 범위를, min_samples는 하나의 밀집 영역(군집)으로 인정하기 위해 그 반경 안에 있어야 할 최소 데이터 개수를 정의한다eps와 min_samples는 결정트리의 분할 기준을 정하는 값이다eps는 학습률을, min_samples는 배치 크기를 의미한다

문제 174지선다

전체 거래 100건 중 항목 A와 B가 함께 나타난 거래가 20건이고, 항목 A가 포함된 전체 거래가 40건일 때, 연관 규칙 'A이면 B이다'의 신뢰도(confidence)는?

0.20.40.50.8

차원 축소 (18–19번)

문제 184지선다

고차원 데이터에서 나타나는 '차원의 저주(curse of dimensionality)'에 대한 설명으로 옳은 것은?

차원이 늘어날수록 데이터 포인트들 사이의 거리가 상대적으로 비슷해지고 데이터가 희소(sparse)해져, 거리 기반 알고리즘의 성능이 떨어지기 쉽다차원이 늘어날수록 모델의 학습 속도가 항상 빨라진다차원의 저주는 오직 이미지 데이터에서만 발생하는 현상이다차원이 늘어나면 데이터가 항상 더 촘촘하게 채워진다

문제 194지선다

PCA에서 각 주성분의 고유값이 6, 3, 1일 때, 첫 번째 주성분(PC1)이 설명하는 분산의 비율은?

10%30%60%90%

평가 지표 (20–21번)

문제 204지선다

혼동행렬에서 참양성(TP)=50, 거짓양성(FP)=5, 거짓음성(FN)=15, 참음성(TN)=30일 때, 정밀도(precision)는? (소수 셋째 자리에서 반올림)

0.7690.80.9090.95

문제 214지선다

문제 20과 같은 혼동행렬(TP=50, FP=5, FN=15, TN=30, 전체=100)에서 정확도(accuracy)는?

0.650.750.80.85

모델 선택·신경망 (22–24번)

문제 224지선다

k-폴드 교차검증을 사용하는 목적으로 가장 적절한 것은?

훈련 데이터 없이 모델을 학습시키기 위해서다데이터를 한 번만 분할했을 때 생길 수 있는 우연성의 영향을 줄이고, 모델의 일반화 성능을 더 안정적으로 추정하기 위해서다모델의 하이퍼파라미터 개수를 자동으로 늘리기 위해서다결측치를 자동으로 채우기 위해서다

문제 234지선다

단일 퍼셉트론이 XOR 문제를 풀 수 없는 근본적인 이유로 가장 적절한 것은?

XOR 문제는 데이터 개수가 너무 적어서 학습이 불가능하기 때문이다XOR의 두 클래스는 하나의 직선(선형 결정 경계)으로 완전히 분리할 수 없는 배치를 이루기 때문이다단일 퍼셉트론은 활성화 함수를 전혀 사용하지 않기 때문이다XOR 문제는 회귀 문제이지 분류 문제가 아니기 때문이다

문제 244지선다

퍼셉트론의 가중치 w=(0.2, 0.3), 입력 x=(1, -1), 목표값(target)=0, 현재 출력(output)=1, 학습률 η=0.2일 때, 가중치 갱신 공식 w_new=w+η×(target-output)×x를 적용한 새로운 가중치는?

(0.0, 0.5)(0.4, 0.1)(0.2, 0.3)(-0.2, 0.2)

채점 후 복습 동선

틀린 영역	돌아갈 편	확인할 핵심
기초 개념·용어	01–03편	AI·ML·DL 관계, 학습 패러다임 구분, 특징 행렬·타깃 벡터, 벡터 연산
전처리·패러다임	06–07편	결측치·스케일링·인코딩·불균형 대응, 지도·비지도·강화 구분
회귀·정규화	08–09편	회귀식 예측, 릿지·라쏘의 페널티 계산과 차이
로지스틱 회귀	10편	시그모이드 계산, 결정 경계의 의미
트리·거리 기반 분류	11–12편	지니 지수 계산, 나이브 베이즈의 조건부 독립, 거리 계산, SVM 커널
앙상블	13편	배깅·부스팅의 학습 방식 차이
비지도·연관 규칙	14–15편	DBSCAN의 eps·min_samples, 지지도·신뢰도·향상도 계산
차원 축소	16–17편	차원의 저주, PCA 분산 설명 비율 계산
평가 지표	18편	정밀도·재현율·정확도 계산과 차이
모델 선택·신경망	19–20편	교차검증의 목적, 퍼셉트론의 한계와 가중치 갱신 계산

전 영역에서 고르게 틀렸다면 05편(시험 구조·출제 포인트)으로 돌아가 시간 배분과 문항 유형별 접근 전략부터 다시 점검하는 것을 권장한다.