비지도 학습

비지도 학습은 알고리즘이 레이블이 지정되지 않은 데이터에서 패턴을 학습하는 머신 러닝의 한 유형입니다. 군집화, 차원 축소, 이상 탐지에 자주 사용됩니다.

이 단원에서는 K-평균과 계층적 군집화 같은 군집화 기법을 살펴봅니다.

비지도 학습이란 무엇인가요?

비지도 학습은 미리 정해진 레이블 없이 데이터를 분석하고 그룹화하는 과정입니다. 데이터에 숨겨진 구조나 패턴을 식별하는 것을 목표로 합니다.

주요 작업은 다음과 같습니다:

• 군집화: 유사한 데이터 포인트를 그룹으로 묶습니다.
• 차원 축소: 중요한 정보를 유지하면서 특성의 수를 줄입니다.

K-평균 군집화

K-평균은 특성의 유사성을 기준으로 데이터를 K개의 군집으로 나누는 인기 있는 군집화 알고리즘입니다. 작동 방식을 살펴보겠습니다:

# Example: K-Means Clustering
from sklearn.cluster import KMeans
import numpy as np

# Sample data
X = np.array([[1, 2], [1, 4], [1, 0], [10, 2], [10, 4], [10, 0]])

kmeans = KMeans(n_clusters=2, random_state=0)
kmeans.fit(X)
print("Cluster Centers:", kmeans.cluster_centers_)
print("Labels:", kmeans.labels_)

계층적 군집화

계층적 군집화는 유사한 데이터 포인트를 그룹화하기 위해 트리와 같은 구조(덴드로그램)를 구축합니다. 미리 정해진 군집 수가 필요하지 않습니다.

# Example: Hierarchical Clustering
from scipy.cluster.hierarchy import dendrogram, linkage
import matplotlib.pyplot as plt

# Sample data
X = [[1, 2], [1, 4], [1, 0], [10, 2], [10, 4], [10, 0]]

linked = linkage(X, 'single')
dendrogram(linked)
plt.show()

차원 축소

차원 축소는 중요한 정보를 유지하면서 특성의 수를 줄여 데이터를 단순화합니다. 주성분 분석 (PCA)은 이 작업에 사용하는 일반적인 기법입니다.

# Example: PCA
from sklearn.decomposition import PCA
import numpy as np

# Sample data
X = np.array([[1, 2], [3, 4], [5, 6], [7, 8]])

pca = PCA(n_components=1)
X_reduced = pca.fit_transform(X)
print("Reduced Data:", X_reduced)

비지도 학습의 활용 분야

비지도 학습은 다음과 같은 분야에서 사용됩니다:

• 고객 세분화: 행동을 기준으로 고객을 그룹화합니다.
• 이상 탐지: 데이터에서 비정상적인 패턴을 식별합니다.
• 이미지 압축: 품질을 유지하면서 이미지 크기를 줄입니다.

군집 시각화

군집을 시각화하면 데이터 포인트가 어떻게 그룹으로 묶이는지 이해하는 데 도움이 됩니다. 이 작업에는 Matplotlib과 Seaborn이 유용합니다.

# Example: Visualizing clusters
import matplotlib.pyplot as plt

# Sample data and labels
X = [[1, 2], [1, 4], [1, 0], [10, 2], [10, 4], [10, 0]]
labels = [0, 0, 0, 1, 1, 1]

for i in range(len(X)):
    plt.scatter(X[i][0], X[i][1], c='r' if labels[i] == 0 else 'b')
plt.show()

비지도 학습의 과제

비지도 학습에는 다음과 같은 여러 과제가 있습니다.

• 군집 개수 정하기: K-평균에서는 미리 군집 개수를 지정해야 합니다.
• 해석 가능성: 군집이 항상 명확한 의미를 가지는 것은 아닙니다.
• 확장성: 대규모 데이터 세트를 처리하려면 계산량이 많을 수 있습니다.

비지도 학습에서 흔히 하는 실수

다음과 같은 실수는 피해야 합니다.

• K-평균에서 잘못된 군집 개수를 선택하는 것
• 특성의 스케일 조정과 같은 데이터 전처리를 하지 않는 것
• 검증 없이 군집을 지나치게 해석하는 것

무엇을 배웠나요?

이 레슨에서는 다음을 배웠습니다.

• 비지도 학습의 기본 개념과 주요 작업
• K-평균과 계층적 군집을 구현하는 방법
• PCA를 사용한 차원 축소의 개념
• 비지도 학습의 활용 분야, 과제 및 흔히 하는 실수

잘하셨습니다! 다음 주제로 넘어가 보겠습니다.