1. 지도학습
2. 비지도학습
3. 강화학습

군집

비슷한 데이터끼리 하나의 클러스터로 묶고 다른 데이터끼리는 다른 클러스터로 분류

군집 종류

1. k-means
2. 계층적 클러스터링
3. DBSCAN

1. K-means 군집

• 가장 일반적으로 사용되는 알고리즘
• Centroid (군집 중심점) 이라는 특정한 임의으이 지점을 선택해 해당 중심에 가장 가까운 포인트들을 선택하는 군집화 기법

• 특징

1. 일반적인 군집화에서 많이 활용되는 알고리즘
2. 알고리즘이 쉽고 간결함
3. 거리기반 알고리즘으로 속성의 개수가 많은 경우 군집화 정확도가 떨어짐 (차원축소를 적용해야할 수도 있음)
   
4. 반복 횟수가 많아질 경우 경우 수행 시간이 매우 느려짐
5. 몇 개의 군집을 선택해야 할지 가이드하기가 어려움

여러 centroid 의 중심으로 이동후 다시 평균으로 이동을 반복 이후 더이상 평균이 안바뀌면 종료

군집 성능 저하의 원인

군집 평가

1. 비지도 학습의 특성상 어떠한 지표라도 정확하게 성능을 평가하기는 어려움
2. 그러나 군집화의 성능을 평가하는 지표들은 존재함
   여러 지표들을 활용하여 어느 정도 군집화에 대한 성능 평가 가능

엘보우 기법

• 클러스터링 알고리즘에서 최적의 클러스터 수를 결정하기 위해 사용되는 시각화 기법

• 군집간 분산과 전체 분산의 비율을 확인

• 기울기가 완만해지는 지점 선택

• __SSE (sum of

4가 완만해지는 지점

실루엣 분석

2. 계층적 클러스터링

• 데이터 포인트들을 계층적인 구조로 그룹화하는 방법
• 계층적 트리 모형을 이용하여 개별 데이터 포인트들을 순차적 계층적으로 유사한 클러스터로 통합하여 군집화를 수행하는 알고리즘
• K-means 군집 알고리즘과는 달리 클러스터의 개수를 사전에 정하지 않아도 학습을 수행

3. DBSCAN

(Density-based spatial clustering of applications with noise)

• 밀도 있게 연결되어 있는 데이터 집합은 동일한 클러스터라고 판단
• 일정한 밀도를 가지는 데이터의 무리가 마치 체인처럼 연결되어 있으면 거리의 개념과는 관계 없이 같은 클러스터로 판단

자기 제외하고 3개가 있어야함

• p와 p3가 같은 공간으로 군집을 형성함