이 책은 R을 설치하는 방법부터 알려 주고, 처음 접하는 사용자도 쉽게 따라올 수 있도록 R 사용에 필요한 기초적인 사항을 소개하고, 이어서 데이터 가져오기/내보내기, 데이터 시각화, 직관적 데이터 분석, 통계적 가설 검정, 회귀분석, CART 등의 주제에 대해 관련 패키지를 설명하면서 예제를 중심으로 다룬다. 책과 함께 제공되는 R 코드는 다양한 분야에서 통계 분석 작업에 적용할 수 있다.

변수의 특성을 감안한 효율적인 데이터 시각화

효율적인 추론으로 이어지는 탐색적 데이터 분석

고전적인 추론과 현대적인 계산에 의한 시뮬레이션을 바탕으로 한 통계 추론

현대 통계학의 바탕이 되는 선형 회귀모형과 로지스틱 회귀모형 탐구

비선형적인 데이터에 유용한 기계학습 도구 CART

이 책은 자신의 전문 분야에서 통계 프로그램을 사용해야 하는 재능 있는 독자를 대상으로 한다. 또 처음 7개 장은 통계학과 석사 과정 학생에게 유용하고, 관심이 있다면 이 책의 나머지 부분에서 CART를 쉽게 배울 수 있을 것이다.

1장부터 5장에서는 R 소프트웨어와 통계학의 기초를 다룬다. 6장에서 10장에 걸쳐 실용적이고 현대적인 회귀모형을 자세히 설명한다. 부록인 참고문헌에서는 이 책에서 참조하는 책의 이름을 나열한다.

1장, ‘데이터 형식’에서는 설문조사와 데이터 세트를 이용해 여러 데이터 형식을 소개한다. 재미있는 상황을 가정하고 통계 모형의 필요성을 제시한다. 그 다음 R과 관련 패키지의 설치를 간단히 설명한다. R 프로그램을 바탕으로 이산/연속 확률변수를 다룬다.

2장, ‘데이터 가져오기와 내보내기’에서는 R을 이용한 간단한 기초 개발 수준에서 시작한다. 간단한 예제를 바탕으로 데이터 프레임, 벡터, 행렬, 리스트를 다룬다. 다음으로 csv나 xls와 같은 외부 파일 읽어오기와 그 밖의 소프트웨어로 데이터와 객체를 내보내는 방법을 배우고 나서 R 세션 관리로 마무리한다.

3장,’ ‘데이터 시각화’에서는 범주형과 수치형 데이터 세트를 위한 효율적인 그래프 그리기를 다룬다. 여기에 해당되는 것은 막대 차트, 점 차트, 스파인 그래프와 모자이크 그래프, 범주형 데이터를 위한 4겹 그래프, 연속/수치형 데이터를 위한 히스토그램, 상자 그래프, 산점도다. ggplot2도 간단히 소개한다.

4장, ‘탐색적 분석’에는 사전 분석을 위한 직관적인 기술이 들어 있다. 줄기/잎 그래프, 문자 값 등의 EDA 시각화 기술과 저항성 직선, 데이터 스무딩, 중위수 분해의 모형화는 사전 분석 단계에서 통찰력을 준다.

5장, 통계적 가설검증을 우도함수와 최우도 추정으로 시작한다. 문제를 구체적으로 해결하려고 정의한 함수를 사용해서 모수의 신뢰구간을 설명한다. 이 장에서는 평균값 비교를 위한 Z-테스트, t-테스트와 분산 비교를 위한 카이제곱 테스트, F-테스트 같은 중요한 통계적 검정도 다룬다.

6장, ‘선형 회귀 분석’에서는 설명 변수와 결과 변수 사이의 선형 관계를 수립한다. 선형 회귀 모형은 많은 가정을 하고 있는데, 검증 기술로 그런 세부 사항을 확인한다. 하나의 관측, 결과 값, 또는 설명변수가 모형이 영향을 끼친다. 통계적 척도가 깊이 있게 논의되는데 이것이 몇 가지 변칙성을 제거할 수 있게 한다. 다수의 설명변수가 주어지면, 모형 선택 기법으로 효율적인 모형을 개발할 수 있다.

7장, ‘로지스틱 회귀모형’은 결과 값이 이진형일 때 유용한 모형이다. 잔차에 의한 진단과 모형 검증은 모형 개선으로 이어진다. 더 좋은 분류 모형을 찾는 데 도움이 되는 ROC 곡선을 알아본다.

8장, ‘회귀모형의 정규화’에서는 앞의 두 장에서 발전시킨 모형의 과적합 문제를 다룬다. 능형 회귀는 과적합의 가능성을 상당히 줄여주고 스플라인 모형은 다음 장에 나오는 모형의 기초가 된다.

9장, ‘분류나무와 회귀나무’에서는 나무에 기반한 회귀모형을 다룬다. 나무는 일단 R 함수를 사용해서 만들고 그 다음 CART를 잘 이해할 수 있게 직접 최종적인 나무를 생성한다.

10장, ‘CART의 확장’에서는 bagging과 랜덤 포레스트를 이용한 CART의 두 가지 개선을 다룬다. 6장부터 10장까지의 모든 모형을 데이터 세트에 적용하며 종합 정리한다.

본문에 쓰인 컬러 이미지는 여기에서 내려 받으세요.

오픈소스 소프트웨어인 R은 기계학습, 데이터마이닝 등 과학 분야에서 그렇지만 통계 분야에서도 인기를 얻어가고 있다. 현대 수학 이론과 통계에 응용하는 수준은 놀랄만한데, R은 그러는 중에 중요한 역할을 한다. 이 책은 통계학을 조금이라도 아는 독자들에게 R을 이용한 통계적 모델링을 조심스럽게 소개하려는 책이다. 배경이 저마다 다른 동료들과의 경험을 바탕으로 생각해 보면, 많은 사람이 이 책에 담긴 것과 같은 내용을 배워서 자신의 업무 영역에서 불확실한 정보를 분석하기를 원했다. 10여 년 전이었다면 동료들은 괜찮은 참고서적 정도로 만족했을 것이지만 이제는 그렇지 않다. 거의 모든 분야에서 컴퓨터로 업무를 처리하고 있고 자연히 스프레드시트나 데이터베이스 그리고 어떤 때는 텍스트 형식의 데이터를 다루게 됐다. 적당한 통계적 모형을 물어볼 때마다 항상 “그럼 소프트웨어는?”이라는 질문이 따라붙었다. 그럴 때마다 나의 대답은 항상 R이었다. 왜냐면 R이 아주 단순하고, 지난 7년간 내가 R과 함께했기 때문이다. 이 책의 여러 장에 걸쳐 나의 이런 경험을 자세히 담았다.

통계 모델링을 하는 동료들과 의견을 주고받다 보니 어느 부분을 배울 때 어려워하는지 알 수 있었다. 초보자에게는 익숙한 기본 데이터 개념을 소개하는 게 난해함을 줄이려는 첫 번째 시도다. 세부적인 면으로 들어가면 저마다 다르겠지만, 독자가 오랫동안 경험해온 전문 분야를 소개함으로 강한 동기유발을 할 수 있을 것이라고 나는 굳게 믿는다. 대부분의 통계 소프트웨어와 마찬가지로 R에는 최근의 통계 방법론을 포함하는 모듈과 패키지가 있다. 처음 다섯 장은 기본적인 개념과 R의 기초, 데이터 시각화, 탐색적 데이터 분석, 통계적 가설검증에 초점을 맞춘다.

흥미로운 예제를 바탕으로 기본개념을 그려볼 텐데, 이 기본개념은 그 뒤에 나오는 다섯 장의 바탕이 된다. 선형과 로지스틱 회귀모형 등은 응용 측면에서 관심을 끌고 있다. 이론을 설파하는 게 일반적이라면, 방법론은 다양한 분야에 쉽게 적용할 수 있는 것이다. 마지막 두 장은 브라이먼(Breiman) 학파의 영향을 받은 것으로 여기에서는 CART(Classification and Regression Trees)를 자세히 논하고 실제 데이터세트에 이를 적용한다.

프라반잔 나라야나차르 타따르(Prabhanjan Narayanachar Tattar)

7년간 R 소프트웨어를 다뤄왔으며, 나로사 출판사(Narosa Publishing House)에서 펴낸 『A Course in Statistics with R』을 공저했다. 두 개의 R 패키지, gpk와 ACSWR를 만들었다. 방갈로르(Banglore) 대학교에서 생존 분석 분야를 연구해 통계학 박사 학위를 받았고 학술지에 논문 몇 건을 발표했다. 박사 과정 중에는 ‘IBS(IR)-GK Shukla Young Biometrician Award(2005)’와 ‘Dr. U.S. Nair Award for Young Statistician(2007)’을 수상했고 CSIR-UGC에서 연구원으로도 일했다. 현재는 방갈로르에 있는 델 컴퓨터의 델 글로벌 분석 부문의 고객서비스 분석팀에서 경영분석 업무를 하고 있다.

언제인지 기억나지는 않지만 R에 대한 첫 인상은 뭔가 생소하다는 것이었다. 설령 불편한 점이 일부 있더라도, 나름의 프로그래밍 철학을 고집하는 대다수 언어들에 비해, R은 결과를 쉽게 얻는 데만 집중하는 언어로 보여서였을 수도 있다. 어쩌면 R을 프로그래밍 언어로 생각하는 일부터가 잘못이었는지도 모른다.

R이 통계 분석을 위한 최적의 도구인지에 답하기는 쉽지 않다. 원론적으로 말하자면 각자 처한 환경에 맞는 도구를 선택해야 하기 때문이기도 하고, SAS나 SPSS와 같은 유명한 통계 소프트웨어나 최근 데이터 분석 분야에서 인기를 얻고 있는 파이썬 등 선택의 여지가 많기 때문이기도 하다. 그럼에도 불구하고 통계와 관련된 작업을 할 때 항상 최우선으로 R을 고려하는 이유로는 R의 특정한 기능보다 R 사용자 커뮤니티의 존재를 꼽을 수 있다. 프로그래밍 언어답지 않음으로 인해 개발자가 아닌 사람도 R 언어에 쉽게 접근할 수 있어서 R 관련 모임에는 다양한 배경을 지닌 사람들이 모여 R 사용환경을 윤택하게 만들고 있다.

대다수의 R 입문서가 기초부터 시작해서 문법을 중심으로 진도를 나가는 데 반해, 이 책에서는 데이터 특성과 기초 통계를 설명한 후 바로 실용적인 예제를 제시한다. 즉, R의 문법을 자세히 배우기는 힘들 수 있지만 이미 많은 사람에 의해 개발된 패키지를 사용해서 바로 실무에 활용 가능한 내용을 짧은 시간에 익힐 수 있다. 이렇게 당장 사용할 수 있는 기술로는, 데이터 가져오기와 내보내기, 시각화, 통계적 가설 검정, 회귀분석, CART 등이 있다.

다른 프로그래밍 언어도 그렇지만 R을 배울 때도 예제를 중심으로 익히는 것이 좋은 방법이 될 수 있다는 것을 강조하고 싶었다. 전통적인 학습 방법은 아닐 수 있지만 처음부터 끝까지 모든 것을 이해해야겠다는 생각만 하지 않는다면 코드와 실행 결과를 보면서 R로 할 수 있는 일을 쉽게 알 수 있고, 특히 그다지 많은 일을 하지 않고도 목표를 달성할 수 있음도 알게 될 것이다. R은 아직도 계속적으로 확장되는 중으로 독자들이 이 책을 통해 접하게 될 R의 강력한 기능뿐 아니라 앞으로의 발전 가능성도 발견하게 되길 바란다.

허석진

수학을 전공했지만 대학 강사, 개발자, 증권사 직원 등으로 본의 아니게 다양한 이력을 쌓았고, 지금은 소셜커머스 회사인 티켓몬스터에서 데이터 분석 업무를 담당하고 있다. 최근에는 R와 파이썬을 이용한 전자상거래 데이터 분석을 고민 중이다.