메뉴

글 검색

검색 데이터를 불러오는 중입니다.

Enter 글 열기

(AI) Perceptron

Oct 14, 2026 · 5min

#퍼셉트론#Perceptron#경계#차원#뉴런

목차

Neuron(신경세포)

수상돌기(Dendrites)에서 입력신호를 받으며, 신경세포(Cell body)에서 정보를 통합한다.
임계값을 통과하면 축삭돌기(Axon)로 최종 출력신호를 또 다른 뉴런으로 전파한다.
시냅스(Synapse)는 뉴런 사이의 연결 부위로, 다음 뉴런으로의 신호 전달 강조를 조절한다.

Perceptron

Perception(지각) + -tron

1957년 프랑크 로젠블라트(Frank Rosenblatt)가 제안한 퍼셉트론(Perceptron)은 인간의 시각적 지각을 모방한 인공 신경망 모델이다.
다수의 입력 신호를 받아 하나의 신호를 출력하는 알고리즘이며, 뇌 신경망의 작은 구조인 Neuron(신경세포)을 모사한 인공 Neuron이다.

퍼셉트론과 신경세포
퍼셉트론과 신경세포

편향

편향(偏向, Bias): 객관적 증거 없이도 한 쪽 결론으로 미리 기울어져 있는 성향

머신러닝에서는 입력과 무관하게 뉴런이 기본적으로 활성화되는 쪽으로 얼마나 치우쳐 있는지를 나타내는 값이다. 편향은 뉴런이 활성화되는 기준점을 조정하는 역할을 한다.

Perceptron의 한계

3차원 값을 2차원 값으로 어떻게 변환할 수 있을지 생각해보자. 아래 예시는 어디서든 볼 수 있는 산이다. 산의 정보를 2차원으로 그려내려면 등고선을 그려서 표현할 수 있다.

산의 등고선
산의 등고선

또 다른 예시로, 지면과 바다를 생각해보자.
지면과 바다의 경계를 0으로 두고, 지면은 1, 바다는 -1로 표현할 수 있다.

Grapher로 표현한 3차원 지면과 바다 / 2차원 표현
Grapher로 표현한 3차원 지면과 바다 / 2차원 표현

퍼셉트론의 관심사는 출력이 바뀌는 지점, 즉 높이가 0인 지점이다. 따라서 3차원 전체 대신 높이 0의 지점만 2차원에 투영하여 결정 경계로 표현한다. 출력 0과 1을 가르는 경계의 식은
w1x1 + w2x2 + b = 0 이며, 1차 직선의 선형(linear) 형태이다. 이는 OR, AND, NAND와 같은 선형 분류 문제를 해결할 수 있음을 의미한다.

단일 퍼셉트론의 경계가 직선인 이유
활성화 함수가 비선형이어도, 입력의 가중합이 1차식이므로 경계는 직선이 된다.

모든 데이터가 직선으로 나눠질 수 있다면 퍼셉트론은 잘 작동하지만, 그렇지 않다면 퍼셉트론은 한계에 부딪히게 된다. 예를 들어, XOR 문제는 직선으로 나눌 수 없기 때문에 단일 퍼셉트론으로는 해결할 수 없다.

경계가 직선일 때 / Perceptron의 한계
경계가 직선일 때 / Perceptron의 한계

Multi-Layer Perceptron(MLP)

선형 분리가 불가능한 XOR은 단일 퍼셉트론으로는 해결할 수 없다.
그렇다면 OR, AND, NAND를 조합하여 XOR을 구현할 수 있을까? 가능하다.

XOR 구현
XOR 구현

각 게이트는 Perceptron 하나를 의미한다. 이를 연결해서 이어붙이는 것은 여러 층으로 Perceptron을 쌓는 것과 같다. 이를 Multi-Layer Perceptron(MLP)이라고 한다.

Feature는 데이터를 대표할 수 있는 의미있는 정보를 뜻하고, Space는 feature를을 축으로 삼아 만든 좌표 공간을 말한다.

이 글은 크리에이티브 커먼스 라이선스 4.0을 준수합니다.