비지도 학습 핵심 알고리즘

지도 학습과 다르게 비지도 학습은 데이터의 특성이 필요하지 않다. 쉽게 말해 답을 가르쳐주지 않고 훈련을 시키는 방식이다. 

비지도 학습에는 유사성이 높은 데이터들을 같은 집단으로 분류하는 군집과 차원 축소 등의 방식을 사용한다.

 

 

 

- 지도 학습에서 많이 사용되는 핵심 알고리즘을 간단히 정리해보자 -

 

 

 

 

1.  K-Means 클러스터링

K- Means는 군집의 대표적인 알고리즘으로 데이터셋에서 클러스터를 구성할 때 주로 사용된다. 우선 K개의 중심점을 정하고 유사도를 이용하여 중심점에 가까운 데이터들을 각각 분류한다. 계산을 통해 중심점은 계속 바뀌며 중심점의 변화가 없을 때까지 진행된다. K-Means 클러스터링의 성능을 정하는 것은 K 값이다.

 

 

 

 

2. 밀도 기반 군집 분석 ( DBSCAN, Density-Based Spatial Clustering of Applications with Noise )

밀도 기반 군집 분석은 말 그대로 일정한 기준 이상의 밀도를 가진 데이터를 기준으로 분류하기 때문에 K-Means 클러스링과 다르게 K 값을 알 수 없을 때 사용하면 유용하다. 또한 이상치가 포함되었을 때 사용하기 편하다.  

 

 

 

 

3. 주성분 분석 ( PCA, Principal Component Analysis )

데이터에 특성이 너무 많아 하나의 그래프로 보기 어려울 때 특성을 두세개로 축약하여 시각화를 할 때 사용된다. 고차원의 데이터일수록 성능이 떨어지는 경향이 있기 때문에 고차원의 데이터를 저차원으로 축소시키는 알고리즘이다. 

 

 

 

 

본 내용은 < 딥러닝 텐서플로 교과서 (저자:서지영) > 내용을 바탕으로 작성되었습니다.
https://book.naver.com/bookdb/book_detail.nhn?bid=19482194