더크 젠틀리의 전체론적 탐정 사무소

자영이는 전거를 타면서 본  야기입니다.
말 그대로 실내 자전거로 운동하면서 지루함을 달래기 위해 아이패드로 본 영화에 대해 극히 
주관적으로 아무런 논리적 분석 없이 의식의 흐름에 따라 적어 내려간 초 간단 감상문임을
참고해주세요.

 

원제 : Dirk Gently's Holistic Detective Agency
상영 : 시즌1 2016년, 시즌2 2017년
장르 : 시리즈, SF, 코믹스릴러
원작 : 더글라스 애덤스
출연 : 새뮤얼 버넷, 일라이저 우드
시청 : 넷플릭스
개인평점 : ★★★★★

 

미드고 영화고 간에 내가 중요시 하는 기준은 하나다.


첫째, 시작이 화려할 것!
둘째, 긴장이 끊기지 않을 것

 

두 가지 모두를 충족 시킨다면 금상첨화 이지만 둘 중 하나만이라도 만족을 준다면 끝까지 보는데 충분하다.
당연히 둘 다 없으면 끝까지 보지 못한다.

 

한 예로 최근 배두나가 출연한 미드 ‘센스8’을 보려고 시도했다가 도입부가 너무 루즈해서 1화 보고는 더이상
보지 않고 있다. 조금 오래된 미드이지만 한 때 인기를 끌었던 로스트도 중간 중간 너무 루즈해지는 에피소드
들이 자꾸 맥을 끊어서 5화인가? 이후에는 보지 않고 있다.

 

물론 화려하다는 것과 긴장의 정도에 어떤 기준을 두느냐는 무척 모호하지만…

 

그런데 이 미드는 조금 독특했던 것이 2가지 조건을 모두 만족했는데도 쉽게 몰입이 안되었다. 
초반부터 어딘가 정상적이지 않은 캐릭터들이 빠른 템포로 움직이면서 알수 없는 사건들을 엮어 나가는데
영드 셜록을 본지 얼마 안되어서 그런지 뭔가 그 아류작이 아닐까 싶은 선입견이 몰입을 방해했다.

 

사실 정보가 많이 부족했다. 그래도 딱히 볼만한 것이 떠오르지 않아 2화까지 넘어간 후에야 이 드라마가
대놓고 판타지 SF 병맛 드라마라는 것이 표면에 드러나자 마자 순식간에 드라마에 빠져들고 말았다.
게다가 다 보고 나서 정보를 확인해보니 이 드라마의 원작자가 ‘은하수를 여행하는 히치하이커를 위한 안내
서’를 쓴 더글라스 애덤스라는 사람이었다. 아쉽게도 이 작품은 책도, 영화도 제대로 본 적이 없지만 그
유명세는 익히 알고 있었다. 다만 더크 젠틀리의 전체론적 탐정 사무소의 경우 넥플릭스 버전은 원작과
많이 벗어난 오리지널 드라마라는 점에서 원작자의 영향력이 크게 중요하진 않은 것 같다.

 

이 드라마는 내용도 내용이지만 캐릭터를 잘 만들어낸 것 같다.

 

전체적으로 중심이 되는 인물들은 더크 젠틀리를 비롯하여 병맛 초능력을 가진 인간들을 관리하는 국가 비밀
프로젝트인 블랙 윙의 실험 대상자들이다. 어떤 이유에선지 (프로젝트 관리자인 리긴스 대령의 인간애의 
발로로 자유를 얻은 것이 아닐지…) 세상을 활보하면서 다니게 되었는데 또 뭔 이유인지 이들이 특정한 사건에
지속적으로 연결이 되는 것이다.

 

서로 다른 그룹의 인간들이 미묘한 연관을 가지면서 엎치락 뒤치락 쫓고 쫓기는 상황이 어찌보면 예전에 보았던
영화 ‘록 스탁 앤 투 스모킹 배럴즈’를 연상시키기도 한다.

 

현재까지 방영된 시즌1과 시즌2의 중요 내용을 초간단 요약하면 이렇다.

 

시즌1 : 블랙 윙 초능력자들과 타임머신으로 인해 힘을 얻게 된 히피들과의 박터지는 실랑이
시즌2 : 블랙 윙 초능력자들과 현실화된 상상속의 마법사와의 피터지는 한판 승부 (시즌 2에서는 블랙 윙의
에이전트들의 비중이 커진다)

 

캐릭터가 매력적이라고 했으니 간단하게 캐릭터들을 한 번 살펴보면 이렇다~

 

사실 주인공인 더크가 가장 찌질한 캐릭터로 개인적으로는 제일 매력이 떨어지는 캐릭터이다. 게다가 파트너로
출연한 우리의 프로도 배긴스, 일라이저 우드의 토드라는 캐릭터 역시 찌질하기로는 더크 버금간다. 아마도
금세기 최고의 찌질이 브로맨스가 아닐지…

 

토드와 더크

 

반대로 가장 매력적인 캐릭터는 바로바로~바트이다. 말하자면 이 드라마의 먼치킨 캐릭터라고 할 수 있다.
반 백치인 것만 빼면 천하 무적이다. 총알은 다 피해가고 칼은 튕겨 나가고 유치장의 잠금장치는 있으나 마나다.
시즌1에서 납치 당하다시피 해서 따라 다니던 켄이라는 캐릭터도 나름 귀염성이 있었는데 이 캐릭터는 시즌2

에서 라인을 갈아타면서 눈밖에 나버렸다.

 

켄과 바트

 

다음으로 매력적인 캐릭터들은 ‘Rowdy3’라는 이름의 4인조 ADHD 환자들이다. 4인조인데 Rowdy ‘3’란다.
은하수를 여행하는 히치하이커를 위한 안내서가 4권짜리 3부작이라는 설명을 달고 있는 것과 관련이 있다고
한다. 암튼 나중에 여기에 토드의 여동생 아만다가 합류하게 된다. 이들이 날뛰는 장면은 그야먈로 유쾌, 통쾌,
상쾌 그 자체이다. 관련해서 개인적으로 가장 빵터졌던 장면은 시즌2에서 모두 잡혀가고 아만다와 보글 둘만
남았을 때 어떤 사유지 경비원에게 ‘우린 폭도 3인조다’라고 말하는 장면이었다^^ 사진은 시즌2가 끝나면서
Rowdy5로 완전체가 된 모습.

 

Rowdy 5

 

그밖의 주변인물로는 능력은 뛰어나나 소심해서 법 집행관(경찰류의 직업)이 못되는 파라, 리긴스에게 불만을
품고 블랙 윙의 감독관이 되는 공부와는 담쌓은 휴고 프레디킨(사실 얘는 좀 기대되는 인물이다. 시즌2 끝에서
분위기가 심상치 않아…), 

 

파라 그리고 휴고

 

시즌2가 끝나면서 요상한 떡밥들을 뿌려놓은 관계로 얼른 시즌3가 나와주기를 기대하게 만드는 올해 본 작품
중에는 최고로 재밌는 작품이었다~

블로그 이미지

마즈다

이제 반백이 되었지만 아직도 꿈을 좇고 있습니다. 그래서 그 꿈에 다가가기 위한 단편들을 하나 둘 씩 모아가고 있지요. 이 곳에 그 단편들이 모일 겁니다...^^

 

2018/11/25 - [Study/인공지능학습] - [머신러닝 reboot] 개념 잡기 : 경사 하강법 1 - 특성의 scale

2018/12/10 - [Study/인공지능학습] - [머신러닝 reboot] 개념 잡기 : 경사 하강법 2 - step 공식 이해하기

2019/01/28 - [Study/인공지능학습] - [머신러닝 Reboot] 개념잡기 : 경사 하강법 3 - 경사 하강법의 종류

2019/04/07 - [Study/인공지능학습] - [머신러닝 Reboot] 개념 잡기 : 경사 하강법 4 - 규제가 있는 선형 모델

2019/04/14 - [Study/인공지능학습] - [머신러닝 Reboot] 개념 잡기 : 경사하강법5 - 로지스틱 회귀

TISTORY 에디터의 문제로 이미지 크기가 화면 폭에 꽉 차게 나오는
문제 양해 부탁드립니다...ㅠ.ㅠ

 

머신러닝 Reboot - 개념 잡기 : 경사하강법5 - 로지스틱 회귀

이제 거의 회귀의 끝자락이다. 사실 로지스틱 회귀의 경우 인공지능에 대한 공부를 처음 시작할 무렵 꽤나 공을
들여 열심히 정리한 바가 있다(물론 맞는 말을 써 놓은 것인지는 여전히 의문이다…ㅠ.ㅠ). 따라서 이번 포스팅
에서는 간략하게 개념적인 요소만 정리하고 보다 세세한 부분은 이전 포스팅의 링크로 대체하고자 한다.

 

확률 그리고 분류

앞서 언급했던 회귀 모델들은 모두 새로운 샘플이 나타났을 때 그에 대한 결과를 예측하는 것이 주 목적이었다.
하지만 로지스틱 회귀의 경우 예측을 하기는 하지만 그 예측이 확률값을 갖도록 하는 것이다. 

 

예를들어 동물의 특성(다리 갯수, 몸의 크기, 날개의 유무 등)을 데이터로 하여 로지스틱 회귀는 이 동물이 개일 
확률이 92%, 닭일 확률이 8%이라는 예측 결과를 리턴한다. 하지만 결국 이 결과는 어떤 동물의 데이터를 
가지고 이 동물을 닭이나 개로 분류하는 기능을 하게 되는 것이다.

 

 

이렇듯 확률 값을 리턴해야 하기 때문에 선형 회귀의 가설 함수와는 달리 로지스틱 회귀의 가설 함수는 0~1
사이의 값을 리턴해야 하며 이를 위해 선형 회귀 가설 함수에 대한 새로운 함수를 정의하게 되는데 이 함수를 
시그모이드 함수라고 한다.

 

한편 위 예에서와 같이 분류할 대상(클래스)가 2개 밖에 없는 경우를 이진 분류라고 하며 기본적인 로지스틱
회귀는 이진 분류기라고 할 수 있다.

 

시그모이드 함수

시그모이드 함수는 앞서 살펴본 바와 같이 0과 1사이의 값을 출력하는 S자형 그래프를 그리는 함수로 다음과 
같은 형태의 함수이다.

 

 

이 식에서 t는 선형 회귀의 가설 함수인데 t가 0보다 작은 경우에는 시그모이드 함수의 결과 값이 0에 가까워
지고 t가 0보다 크거나 같은 경우에는 시그모이드 함수의 결과 값은 1에 가까워진다.

 

보다 상세한 내용은 링크로 대신한다.

 

로지스틱(Logistic) 회귀 함수 살펴보기 

 

로지스틱 회귀의 비용함수

로지스틱 회귀에서 기존의 선형 회귀 비용 함수를 그대로 사용하게 되면 비용 함수의 그래프가 다수의 지역
최솟값이 발생하는 형태가 되어 전역 최솟값을 찾는데 실패하는 경우가 많이 발생한다. 이러한 문제를 해결
하고자 로지스틱 회귀의 비용함수에서는 log를 사용하게 된다. 

 

 

이진 분류의 경우 y 값이 어떤 클래스에 포함되느냐(1), 포함되지 않느냐(0)의 2가지 값만을 갖기 때문에
y가 어떤 값이냐에 따라 앞의 로그식 또는 뒤의 로그식 하나만 사용되는 형태이다. 그리고 이 함수는 지역
최솟값이 존재하지 않는 convex 함수로 최솟값을 찾아낼 수 있다.

 

역시 상세한 내용은 링크로 대신한다.

 

로지스틱회귀의 비용함수 이해

 

결정경계

이진 분류기에서 두 개의 클래스를 구분짓는 선을 결정경계라고 하며 이는 보통 모델이 50% 확률을 추정하는
지점이 된다.

 

소프트맥스 회귀

3개 이상의 클래스를 분류하는 것은 2진 분류기를 여러개 훈련시켜 할 수 있다. 소프트맥스 회귀는 여러개의
이진분류기를 사용하는 방법을 일반화 시켜 한 번에 3개 이상의 클래스를 분류할 수 있도록 만든 모델이다.
소프트맥스 함수도 다양한 표현이 가능한데 ⎡핸즈온 머신러닝⎦에 사용된 식을 기준으로 보면 다음과 같다.

 

 

이 때 각각의 기호는 다음을 의미한다.

 

  1. K는 클래스 수
  2. s(x)는 샘플 x에 대한 각 클래스의 점수를 담고 있는 벡터
  3. σ 함수는 샘플 x에 대한 각 클래스의 점수가 주어졌을 때 이 샘플이 클래스 𝑘에 속할 추정 확률

 

소프트맥스 회귀는 서로 배타적인 클래스에 대한 분류에만 사용 가능하다는 특징이 있다.

소프트맥스 회귀는 비용함수로 크로스 엔트로피 함수를 사용하는데 역시 핸즈온 머신러닝에 사용한 식을
기준으로 보면 다음과 같다.

 

 

앞서 말했듯이 소프트맥스 회귀는 로지스틱 회귀의 일반화 된 형식으로 크로스 엔트로피 함수를 클래스가 딱
2개인(즉, K=2 인) 경우에 적용하면 로지스틱 회귀의 비용함수와 동일해진다.

역시 상세한 설명은 이전 포스팅을 링크한다.

 

다항로지스틱회귀 살펴보기

로지스틱 회귀 비용함수로부터 Cross-entropy 도출하기

 

정리

예전에 처음 공부를 시작했을 때도 여기서부터가 어려워졌던 것 같다. 기존 선형 회귀도 잘 이해가 안가는
상황에서 확률까지 등장을 하니…그래도 두 번째 정리라 조금 나아지긴 했지만 조금 더 깔끔하게 다듬어야
할 필요는 있을 것 같다. 다듬는 것은 숙제로 남겨두고 서포트 벡터 머신으로 넘어가자…-.-

 

숙제

  1. 핸즈온 머신러닝 로지스틱 회귀 챕터에 나오는 예제 소스들을 분석하고 실행시켜보자
블로그 이미지

마즈다

이제 반백이 되었지만 아직도 꿈을 좇고 있습니다. 그래서 그 꿈에 다가가기 위한 단편들을 하나 둘 씩 모아가고 있지요. 이 곳에 그 단편들이 모일 겁니다...^^