---

개요

<통계학>
데이터 분석 및 과학을 위한 핵심 통계지식 학습

PYTHON 활용 :
통계적 가설검증, 회귀(예측), 분류(지도학습), 클러스터링(비지도학습) 에 대한 이해

---

📌 지도학습 & 비지도학습

---

📌 지도학습

지도학습
정답이 있는 데이터 (labelled data)를 활용해 훈련 데이터로부터 프로그램 등을
학습시켜 결과에 대한 예측을 만들어내는 기계 학습 (ML)의 한 방법

→ 문제와 정답을 모두 알고있는 상태에서 시행

---

지도학습 > 분류 / 회귀

분류 - 내일은 날씨가 추울 것이다. (춥다 / 춥지 않다 등)
회귀 - 내일은 온도가 35.0℃ 일 것이다. ( ~ ℃ 등 수치 예측)

분류 모델은 예측값으로 이산적인 값을 출력하고
회귀 모델은 예측값으로 연속적인 값을 출력한다.

---

• ✅ 지도학습에 사용되는 기법

  • 선형 회귀(Linear Regression)
  • 로지스틱 회귀(Logistic Regression)
  • 나이브 베이즈(Naive Bayes)
  • K-최근접 이웃(k-Nearest Neighbors)
  • 서포트 벡터 머신(SVM, Support Vector Machine)
  • 의사결정 트리(Decision Tree)
  • 랜덤 포레스트(Random Forest)
  • 인공신경망(Neural Network)

• ✅ RFM (분류) 분석 : 고객 분류 기법

  고객을 R, F, M 이라는 특성에 따라 분류하고,
  특성에 맞춰 구매기회 창출 및 서비스를 발전시키는 것을 목표로 실시

  RFM 고객 세분화 분석에서 '반드시 이렇게 해야 한다.' 고 정해진 것이 없다.
  비즈니스의 성격과 상황에 따라 알맞은 기준을 세우는 과정이 필요.

  • Recency, Frequency, Monetary를 각각 몇 단계로 나눌 것인가
  • Frequency, Monetary를 집계하는 기간을 어떻게 설정할 것인가

  • R : Recency (최근성)

    비즈니스의 종류(물건, 정보, 서비스 등)에 따라 다르지만,
    RFM 분석에서는 최근에 구매한 고객일수록 더 가치있는 고객으로 점수를 매긴다.
    보통 구매시기가 오래된 고객은 재구매율이 떨어지기 때문.

  • F : Frequency (빈도)

    자주 구매하는 고객일수록, 비즈니스에 도움이 되고 재방문율이 높다고 할 수 있다.
    빈도수가 높을수록 가치있는 고객으로 점수를 매긴다.

  • M : Monetary (구매 금액)

    빈도가 적더라도, 큰 금액을 지출하는 고객이 회사 입장에서 매출에 더 도움이 될 수 있다.
    구매 금액이 높을수록 가치있는 고객으로 점수를 매긴다.

  

---

📌 비지도학습

비지도학습
정답이 없는 데이터(Unlabelled data)를 분석하여
그 안에 숨어있는 패턴을 찾아내거나 데이터를 그룹화시키는 알고리즘

→ 정답을 알 수 없는 상태에서 시행

---

비지도학습 > 군집화

+) 군집화 기간 설정 (최소 6개월 ~ 1년)

---

• ✅ 비지도학습에 사용되는 기법
  • 군집(Clustering)
  • K-means 클러스터링
  • 위계적 군집분석
  • 가우시안 혼합모형(Gaussian Mix Texture Model)
  • 주성분 분석(PCA)
  • LLE(Locally Linear Embedding)
  • Isomap
  • MDS(Multi Dimensional Scaling
  • t-SNE(t-distributed Stochastic Neighbor Embedding)

---

📌 차이점

---

지도학습과 비지도학습의 가장 큰 차이점은 Label

• 두 접근 방식의 주요 차이점은 데이터 세트에 label 지정 유무

  지도학습은 label 이 지정된 입력 및 출력 데이터를 사용하는 반면,
  비지도학습은 그렇지 않다.

  지도 학습 모델은 비지도 학습 모델보다 더 정확한 경향이 있지만
  데이터에 적절하게 레이블을 지정하려면 사전에 “데이터분석가의 주관” 개입이 필요

  • 예) 지도 학습 모델은 시간, 기상 조건 등을 기반으로 통근 시간을 예측할 수 있지만
    먼저 비가 오는 날씨가 운전 시간을 연장한다는 것 등을 알기 위한 훈련이 필요하다.

  비지도학습은 label 이 지정되지 않은 데이터의 고유한 구조를 발견하기 위해
  자체적으로 작동.
  결과의 유효성을 검사하려면 여전히 "데이터분석가의 주관" 개입이 필요

  • 예) 비지도 학습 모델은 온라인 쇼핑객이 구매했던 제품들을 분석해
    다른 온라인 쇼핑객에게 구매할 만한 물건을 추천해 줄 수 있지만,
    데이터 분석을 통해서 추천 엔진이 추천해 준 항목들이 타당한지 검증해야 한다.

---

지도학습과 비지도학습 중 뭐가 더 좋다고 할 수 없다.
데이터의 구조나 사용 분야에 맞게 적합한 방식을 선택하는 것이 중요 !

• 목표

  • 지도학습 : 새로운 데이터의 결과를 예측
  • 비지도학습 : 많은 양의 새로운 데이터에 대한 통찰력

• 활용

  • 지도학습 : 감정 분석, 일기 예보 및 가격 예측 등
  • 비지도학습 : 이상 감지, 추천 엔진, 고객 페르소나 및 의료 영상 등

• 복잡성

  • 지도학습 :
    일반적으로 R 또는 Python 과 같은 프로그램을 사용하여 계산되는
    비교적 복잡성이 낮은 머신러닝 방법
  • 비지도학습 :
    대량의 분류되지 않은 데이터로 작업하기 위한 다양한 통계적 지식 및 관련 라이브러리 필요,
    의도한 결과를 생성하기 위해 대규모 훈련 세트가 필요하기 때문에 계산적으로 복잡

---