머신러닝 4강. 비지도학습 : 군집화

Об этом предложении

[머신러닝] 4강 비지도학습: 군집화 (Clustering) 핵심 정리 📌 오늘의 학습 목표 지도학습(분류)과 비지도학습(군집화)의 기본 개념 차이를 구분하고, 군집화의 필요성을 이해한다. K-평균(K-Means) 군집화 알고리즘의 4단계 수행 과정과 주요 특징을 설명할 수 있다. 계층적 군집화(Hierarchical Clustering)의 두 가지 접근 방식(병합적 vs 분할적)과 덴드로그램의 역할을 파악한다. 1. 핵심 개념 요약 0. 비지도학습과 군집화(Clustering)란? 개념 및 필요성 : 입력 데이터 간의 유사성을 기준으로 데이터를 몇 개의 그룹으로 나누는 문제입니다. 목표 출력값(정답 레이블)이 없기 때문에 비지도학습(Unsupervised Learning) 에 속하며, 정답이 없거나 데이터 레이블링에 비용이 많이 드는 경우 유용하게 활용됩니다. 주요 응용 분야 : 영상 데이터 그룹핑, 영상 분할(Image Segmentation) 등에 적용됩니다. 1. K-평균 군집화 (K-Means Clustering) 개념 : 주어진 데이터 집합을 $K$개의 대표 벡터(평균)를 중심으로 $K$개의 그룹으로 묶는 대표적인 군집화 알고리즘입니다. 수행 4단계 과정 : 초기화 (Initialization) : 데이터 집합에서 임의로 $K$개의 초기 대표 벡터 $\mathbf{m}_1, \mathbf{m}_2, \dots, \mathbf{m}_K$를 선택합니다. 데이터 그룹핑 (Data Grouping) : 각 데이터 $\mathbf{x}_j$와 $K$개의 대표 벡터 간 거리 $d(\mathbf{x}_j, \mathbf{m}_k)$를 계산하고, 가장 가까운 대표 벡터를 가진 클러스터 $C_k$에 배정합니다. $$C_k = { \mathbf{x}_j \mid d(\mathbf{x}_j, \mathbf{m}_k) \le d(\mathbf{x}_j, \mathbf{m}_i), , \forall i }$$ 대표 벡터 수정 (Updating Centroids) : 새롭게 형성된 클러스터에 속한 데이터들의 평균을 구해 대표 벡터를 다시 갱신합니다. 반복 여부 결정 (Iteration) : 대표 벡터의 변화가 없거나 수렴할 때까지 2단계와 3단계를 반복합니다. 특징 및 한계 : 반복 과정을 거치며 지역 극소점(Local Minima) 에 도달하는 것을 보장합니다. 초기 대표 벡터 위치 설정에 매우 의존적이며, 적절한 $K$값을 사전에 설정하기 어렵다는 한계가 있습니다. 2. 계층적 군집화 (Hierarchical Clustering) 개념 : 큰 군집이 작은 군집을 포함하는 형태로 계층(트리 구조)을 이루며 군집화를 수행하는 방식입니다. 접근 방식 : 병합적 방법 (Bottom-Up) : 각 데이터를 독립된 개별 군집으로 시작하여, 가장 가까운 군집 쌍을 순차적으로 합쳐 하나의 큰 군집을 만드는 실용적인 방식입니다. 분할적 방법 (Top-Down) : 전체 데이터를 하나의 큰 군집으로 시작하여 점차 쪼개어 나가는 방식으로, 계산량이 많아 다소 비실용적입니다. 군집 간 거리 계산 및 덴드로그램 : 군집 간 거리를 계산할 때 와드(Ward's) 방법 등 다양한 거리 측정 기준을 사용합니다. 계층적 군집화 결과는 트리 형태의 덴드로그램(Dendrogram) 으로 시각화되며, 클러스터 간 거리가 유지되는 지점을 잘라 적합한 군집의 수를 결정합니다. 2. 오늘 배운 내용 요약 군집화는 정답 레이블이 없는 데이터에서 데이터 간 유사도를 측정하여 대표 벡터 기반(K-Means) 또는 계층 구조(Hierarchical) 형태로 의미 있는 그룹을 형성하는 비지도학습 기법입니다.

Детали предложения

Провайдер

velog

Источник

velog-rss

Балл

54.39

Уверенность

49%