학습 내용
-
Unsupervised Learning의 정의
-
Clustering의 정의
-
Clustering의 방법론
학습 목표
-
Unsupervised Learning을 실제로 활용할 수 있다.
-
Clustering 기법이란 무엇인지 설명할 수 있다.
-
다양한 Clustering 기법을 알고 적절한 방법을 선택할 수 있다.
Unsupervised Learning
-
특징
-
주어진 데이터가 라벨이 없고 피처들만 존재하는 샘플들로 구성됨
-
라벨이 제공될 수 없는 경우
-
Similarity search: 클래스 정보 없이 서로 다른 2개의 샘플이 비슷한 것인지 다른 것인지 분류하는 것
-
Data visualization: 10개 이상의 많은 dimension을 2개의 dimension으로 줄이는 것
-
Clustering: 라벨이 주어져 있지 않은 데이터를 비슷한 샘플끼리 하나의 덩어리로 뭉치고 결과값을 도출하는 것
-
-
-
Clustering
-
특징
-
라벨 데이터가 제공되지 않습니다.
-
각각의 샘플이 어떤 그룹에 속하는지 출력합니다.
-
결과가 좋은지 나쁜지 판단하기 어렵습니다.
-
피쳐들의 상황관계 자체가 명확하게 설명되지 않아 정량적으로 측정하는 것이 어렵습니다.
-
여러 클러스터링 알고리즘이 존재할 때 어떤 클러스터링 알고리즘이 현재 문제 해결 목적에 적합한지 결정하기 어렵다는 의미입니다.
-
따라서 다양한 클러스터링 알고리즘을 접하고 경험적으로 선택해야합니다.
-
-
-
클러스터링 활용
-
여러 항성에 대한 정보를 제공할 때 항성을 분류하는 기준을 제시
-
어떤 개의 종을 찾고자 할때 분류하는 기준을 제시
-
콘텐츠 플랫폼에서 수많은 콘텐츠를 분류
-
매장 운영 시 매장 방문객의 데이터를 취합하여 손님들의 특성과 방문에 대해 분류
-
-
클러스터링 알고리즘 종류
-
4가지의 알고리즘은 서로 다른 방식이 아니고 서로 섞이거나 겹칠 수 있어 완벽하게 구분되는 기준이 아닙니다.
-
parametric 클러스터링
-
클러스터의 개수를 입력 받습니다.
-
대표적으로 k-means 클러스트 알고리즘이 있습니다.
-
-
density-based 클러스터링
-
서로 근접하고 있는 샘플들을 모두 한 덩어리로 뭉치는 알고리즘
-
출력되는 클러스터의 개수는 덴시티 정의에 따라 계속 변합니다.
-
Non-Parametric clustering이라고도 불립니다.
-
대표적으로 DBSCAN 알고리즘이 있습니다.
-
-
ensemble 클러스터링
- 여러 개의 클러스터링 방법을 융합
-
hierarchical 클러스터링
-
데이터 샘플이 동일한 환경에서 클러스터 크기가 작으면 클러스터의 개수는 그만큼 늘어납니다.
-
최소한의 크기로 클러스터를 구성하고 그것들을 묶은 클러스터의 형태를 단계별로 찾아내는 방식입니다.
-
대표적으로 Aglomerative 클러스터링 알고리즘이 있습니다.
-
-
-
