거리 기반 알고리즘
거리 기반 알고리즘은 데이터 포인트 간의 거리를 기반으로 이상치를 탐지합니다. 데이터 포인트가 다른 포인트와의 거리가 멀다면 이상치로 간주됩니다.
K-Means Clustering 기반 이상탐지
-
링크: https://scikit-learn.org/stable/modules/generated/sklearn.cluster.KMeans.html
-
정의: 데이터를 여러 개의 클러스터로 나누고, 각 클러스터 중심에서의 거리를 기반으로 이상치를 탐지합니다. 클러스터에 속하지 않거나 클러스터 중심에서 멀리 떨어진 데이터 포인트를 이상치로 간주합니다.
-
적합한 데이터: 데이터의 군집 구조가 명확한 경우에 적합합니다. 데이터가 여러 개의 그룹으로 자연스럽게 나눠지는 경우 효과적입니다.
-
sklearn 함수:
sklearn.cluster.KMeans-
함수 설명:
- K-Means 알고리즘은 데이터를 K개의 클러스터로 나누고, 각 클러스터의 중심(센트로이드)을 반복적으로 계산하여 클러스터를 형성합니다. 각 데이터 포인트는 가장 가까운 클러스터 중심에 할당됩니다.
- 이 알고리즘은 특히 대규모 데이터셋에서도 빠르고 효율적으로 작동하며, 클러스터 내 데이터 포인트의 밀집도를 기반으로 이상치를 탐지할 수 있습니다.
-
매개변수:
n_clusters(int, default=8): 형성할 클러스터의 수입니다.init(str, callable or array-like, default='k-means++'): 초기 클러스터 중심을 설정하는 방법입니다. 'k-means++'는 수렴 속도를 높이기 위해 초기 클러스터 중심을 선택하는 방법입니다.n_init(int or str, default='auto'): 다른 클러스터 중심 시드로 K-Means 알고리즘을 실행할 횟수입니다. 최종 결과는 이 중 가장 좋은 결과입니다.max_iter(int, default=300): 단일 실행에서 K-Means 알고리즘의 최대 반복 횟수입니다.tol(float, default=1e-4): 수렴을 선언하기 위한 클러스터 중심 변화의 허용 오차입니다.verbose(int, default=0): 상세 출력 모드입니다.random_state(int, RandomState instance or None, default=None): 무작위 클러스터 중심 초기화를 위한 난수 생성기 시드입니다.copy_x(bool, default=True): True로 설정하면 원본 데이터를 수정하지 않고, False로 설정하면 데이터를 수정합니다.algorithm(str, default='lloyd'): K-Means 알고리즘으로 'lloyd'와 'elkan' 중 선택할 수 있습니다. 'elkan'은 삼각부등식을 사용하여 효율성을 높일 수 있습니다.
-
속성:
cluster_centers_: 클러스터 중심의 좌표 배열입니다.labels_: 각 데이터 포인트에 할당된 클러스터 라벨 배열입니다.inertia_: 각 데이터 포인트에서 가장 가까운 클러스터 중심까지의 거리의 합입니다.n_iter_: 알고리즘이 실행된 반복 횟수입니다.n_features_in_: fit 동안 본 특성의 수입니다.feature_names_in_: fit 동안 본 특성 이름 배열입니다.
-
메서드:
fit(X[, y, sample_weight]): K-Means 클러스터링을 수행합니다.fit_predict(X[, y, sample_weight]): 클러스터 중심을 계산하고 각 샘플에 대한 클러스터 인덱스를 예측합니다.fit_transform(X[, y, sample_weight]): 클러스터링을 수행하고 X를 클러스터-거리 공간으로 변환합니다.get_feature_names_out([input_features]): 변환을 위한 출력 특성 이름을 가져옵니다.get_metadata_routing(): 이 객체의 메타데이터 라우팅을 가져옵니다.get_params([deep]): 이 추정기의 파라미터를 가져옵니다.predict(X[, sample_weight]): 각 샘플이 속한 가장 가까운 클러스터를 예측합니다.score(X[, y, sample_weight]): K-Means 목적 함수의 값을 기반으로 데이터를 평가합니다.set_fit_request(*[, sample_weight]): fit 메서드에 전달된 메타데이터 요청을 설정합니다.set_output(*[, transform]): 출력 컨테이너를 설정합니다.set_params(**params): 이 추정기의 파라미터를 설정합니다.set_predict_request(*[, sample_weight]): predict 메서드에 전달된 메타데이터 요청을 설정합니다.set_score_request(*[, sample_weight]): score 메서드에 전달된 메타데이터 요청을 설정합니다.transform(X): X를 클러스터-거리 공간으로 변환합니다.
-
예시:
from sklearn.cluster import KMeans import numpy as np # 예제 데이터 X = np.array([[1, 2], [1, 4], [1, 0], [10, 2], [10, 4], [10, 0]]) # K-Means 모델 생성 및 적합 kmeans = KMeans(n_clusters=2, random_state=0, n_init="auto").fit(X) # 클러스터 라벨 출력 print(kmeans.labels_) # 새로운 데이터에 대한 클러스터 예측 print(kmeans.predict([[0, 0], [12, 3]])) # 클러스터 중심 출력 print(kmeans.cluster_centers_)
-
✍️ 이 예제는 K-Means를 사용하여 간단한 데이터셋에 대한 클러스터링을 수행하는 방법을 보여줍니다. K-Means는 데이터 포인트를 클러스터로 그룹화하고, 각 클러스터의 중심을 계산하여 데이터를 효과적으로 분류할 수 있습니다.
KNN (K-Nearest Neighbors)
-
링크 : https://scikit-learn.org/stable/modules/generated/sklearn.neighbors.NearestNeighbors.html
-
정의: K-Nearest Neighbors(KNN) 알고리즘은 각 데이터 포인트에 대해 가장 가까운 K개의 이웃을 찾고, 이 이웃들 간의 거리 정보를 기반으로 해당 데이터 포인트의 특성을 판단하는 비지도 학습 방법입니다. 주로 이상치 탐지, 데이터 분류, 군집화 등에 사용됩니다.
-
적합한 데이터: 거리 측정이 의미 있는 결과를 제공하는 데이터셋에서 효과적이며, 데이터 포인트 간의 거리를 계산할 수 있는 구조적인 데이터에 적합합니다. 특히, 이상치 탐지에서는 데이터 포인트의 밀집도를 기반으로 이상치를 탐지할 수 있습니다.
-
sklearn 함수:
sklearn.neighbors.NearestNeighbors-
함수 설명:
- NearestNeighbors는 데이터 포인트 간의 거리 정보를 기반으로 가장 가까운 이웃을 찾기 위한 비지도 학습 알고리즘입니다. 이 알고리즘은 다양한 거리 측정 방법과 검색 알고리즘을 지원하며, 주로 K-이웃 탐색 및 반경 이웃 탐색을 수행합니다.
-
매개변수:
n_neighbors(int, default=5): K-이웃 탐색 시 사용할 이웃의 수입니다.radius(float, default=1.0): 반경 이웃 탐색 시 사용할 반경 크기입니다.algorithm(str, default='auto'): 이웃을 찾기 위해 사용할 알고리즘을 지정합니다. 'auto', 'ball_tree', 'kd_tree', 'brute' 중 선택할 수 있습니다.leaf_size(int, default=30): BallTree 또는 KDTree에서 사용할 리프의 크기입니다. 이는 트리 구축 및 쿼리 속도에 영향을 줍니다.metric(str or callable, default='minkowski'): 거리 계산에 사용할 메트릭을 지정합니다. 'minkowski'는 p=2일 때 유클리드 거리와 동일합니다.p(float, default=2): Minkowski 메트릭에서 사용할 파라미터입니다. p=1은 맨해튼 거리, p=2는 유클리드 거리에 해당합니다.metric_params(dict, default=None): 메트릭 함수의 추가 매개변수입니다.n_jobs(int, default=None): 병렬로 실행할 작업의 수를 지정합니다. -1로 설정하면 모든 프로세서를 사용합니다.
-
속성:
effective_metric_: 이웃 검색에 사용된 거리 메트릭입니다.effective_metric_params_: 거리 메트릭에 사용된 매개변수입니다.n_features_in_: fit 동안 본 특성의 수입니다.feature_names_in_: fit 동안 본 특성 이름 배열입니다.n_samples_fit_: 학습 데이터의 샘플 수입니다.
-
메서드:
fit(X[, y]): 훈련 데이터셋에서 최근접 이웃 추정기를 학습시킵니다.get_metadata_routing(): 이 객체의 메타데이터 라우팅을 가져옵니다.get_params([deep]): 이 추정기의 파라미터를 가져옵니다.kneighbors([X, n_neighbors, return_distance]): 특정 포인트의 K-이웃을 찾습니다.kneighbors_graph([X, n_neighbors, mode]): 데이터 포인트에 대한 K-이웃 그래프(가중치 포함)를 계산합니다.radius_neighbors([X, radius, ...]): 특정 반경 내의 이웃을 찾습니다.radius_neighbors_graph([X, radius, mode, ...]): 데이터 포인트에 대한 반경 이웃 그래프(가중치 포함)를 계산합니다.set_params(**params): 이 추정기의 파라미터를 설정합니다.
-
예시:
from sklearn.neighbors import NearestNeighbors import numpy as np # 예제 데이터 samples = [[0, 0, 2], [1, 0, 0], [0, 0, 1]] # NearestNeighbors 모델 생성 및 적합 neigh = NearestNeighbors(n_neighbors=2, radius=0.4) neigh.fit(samples) # k-이웃 탐색 print(neigh.kneighbors([[0, 0, 1.3]], 2, return_distance=False)) # 반경 이웃 탐색 nbrs = neigh.radius_neighbors([[0, 0, 1.3]], 0.4, return_distance=False) print(np.asarray(nbrs[0][0]))
-
✍️ 이 예제는 NearestNeighbors를 사용하여 간단한 데이터셋에 대한 K-이웃 탐색 및 반경 이웃 탐색을 수행하는 방법을 보여줍니다. KNN은 데이터 포인트 간의 거리 정보를 기반으로 가까운 이웃을 찾고, 이를 통해 데이터의 특성을 파악하거나 이상치를 탐지할 수 있는 유용한 알고리즘입니다.
K-Means와 KNN의 차이점
K-Means와 K-Nearest Neighbors(KNN)는 모두 거리 기반의 접근 방식을 사용하지만, 그 목적과 사용 방식이 다릅니다. 이 두 알고리즘을 이상탐지 관점에서 비교해 보겠습니다.
-
K-Means: 데이터를 클러스터로 그룹화하여 각 클러스터 내의 밀집도를 기반으로 이상치를 탐지합니다. 주로 군집화를 통해 데이터의 구조를 파악하고 이상치를 탐지합니다.
- 사용 방식: 데이터 전체를 클러스터로 그룹화하고 클러스터 중심에서의 거리를 기반으로 이상치를 판단합니다.- 군집화 여부: 명확한 클러스터를 형성하여 클러스터 내의 거리를 평가합니다.
-
KNN: 각 데이터 포인트의 이웃과의 거리를 기반으로 밀도를 평가하여 이상치를 탐지합니다. 주로 개별 데이터 포인트의 밀도를 평가하여 이상치를 탐지합니다.
- 사용 방식: 각 데이터 포인트의 이웃과의 거리를 계산하여 밀도를 평가하고, 밀도가 낮은 포인트를 이상치로 판단합니다.- 군집화 여부: 클러스터를 형성하지 않고, 각 데이터 포인트의 이웃과의 거리를 직접 평가합니다.
요약하자면, K-Means와 KNN은 모두 거리 기반 이상탐지를 수행할 수 있지만, K-Means는 군집화를 통해 클러스터 중심에서의 거리를 평가하는 반면, KNN은 개별 데이터 포인트의 이웃과의 거리를 평가합니다.
