혼공머신 5차시 _ 비지도 학습

Ch.06-1 군집 알고리즘

비지도 학습

 - 머신러닝의 한 종류로 훈련 데이터에 타깃이 없음 ( 타깃이 없어서 외부의 도움 없이 스스로 유용한 무언가를 학습 )
 - 대표적인 비지도 학습 작업 : 군집, 차원 축소 등

히스토그램 - 구간별로 값이 발생한 빈도를 그래프로 표시한 것 ( x축 : 값의 구간(계급) / y축 : 발생 빈도(도수) )

군집 - 비슷한 샘플끼리 하나의 그룹으로 모으는 대표적인 비지도 학습 작업 ( 클러스터 : 군집 알고리즘으로 모은 샘플 그룹 )

 

Ch.06-2 k-평균

k-평균 알고리즘

 - 처음에 랜덤하게 클러스터 중심을 선택하고 점차 가장 가까운 샘플링 중심으로 이동하는 알고리즘

 - 방법

1. 무작위로 k개의 클러스터 중심을 정한다.
2. 각 샘플에서 가장 가까운 클러스터 중심을 찾아 해당 클러스터의 샘플로 지정한다.
3. 클러스터에 속한 샘플의 평균값으로 클러스터 중심을 변경한다.
4. 클러스터 중심에 변화가 없을 때까지 2번으로 돌아가 반복한다.

클러스터의 중심 (센트로이드)

 - k-평균 알고리즘이 만든 클러스터에 속한 샘플의 특성 평균값

 - 가장 가까운 클러스터 중심을 샘플의 또 다른 특성으로 사용하거나 새로운 샘플에 대한 예측으로 활용 가능

엘보우 방법

 - 최적의 클러스터 개수를 정하는 방법 중 하나 ( 이너셔 : 클러스터 중심과 샘플 사이 거리의 제곱 합 )

 - 클러스터 개수에 따라 이서녀 감소가 꺾이는 지점이 적절한 클러스터 개수 k가 됨

 

Ch.06-3 주성분 분석

차원 축소 - 원본 데이터의 특성을 적은 수의 새로운 특성으로 변환하는 비지도 학습의 한 종류 ( 저장 공간을 줄이고 시각화하기 쉬움, 다른 알고리즘의 성능을 높일 수 있음 )

주성분 분석

 - 차원 축소 알고리즘의 하나로 데이터에서 가장 분산이 큰 방향( 주성분 )을 찾는 방법

 - 원본 데이터를 주성분에 투영하여 새로운 특성을 만들 수 있으며, 일반적으로 주성분은 원본 데이터의 특성 개수 보다 작음

설명된 분산 - 주성분 분석에서 주성분이 얼마나 원본 데이터의 분산을 잘 나타내는지 기록한 것 ( 사이킷런의 PCA 클래스 : 주성분 개수나 설명된 분산의 비율을 지정해 주성분 분석을 수행 )