Google Colaboratory

06. 비지도 학습

• 비지도 학습 = 머신러닝의 한 종류로, 타깃 데이터 없이 훈련 하는 것.

06-1 군집 알고리즘

• 군집 = 비슷한 샘플끼리 그룹으로 모으는 작업

  • 군집은 대표적인 비지도 학습 중 하나이다
  • 클러스터 = 군집 알고리즘에서 만든 그룹

• 사용했던 함수:

  • abs() : 절댓값 반환
  • imshow(): 넘파이 배열로 저장된 이미지를 반환

06-2 K-평균

• K-평균

  1. 무작위로 K개의 클러스터 중심 정하기
  2. 각 샘플에서 가장 가까운 클러스터 중심을 찾아서 해당 클러스터의 샘플로 지정
  3. 클러스터 중심을 다시 계산하여 이동 → 클러스터에 속한 샘플의 평균값으로 클러스터 중심 변경하기
  4. 클러스터 중심에 변화가 없을 때까지 2번부터 반복
  • 최적의 K- 찾기
    • 엘보우 방법을 이용 : inertia의 감소를 분석하여 최적값 찾기

• 핵심 패키지:

  • KMeans 클래스
    • n_clusters : 클러스터의 개수 지정 (기본: 8)
    • n_init : 반복 횟수 지정 ( 기본: 10)
    • max_iter : 한번 실행에서 최적의 센트로이드를 찾기 위해 반복할 수 있는 최대 횟수 (기본: 200)
    • inertia_ : inertia 값을 계산하여 값을 inertia 리스트에 저장

06-3 주성분 분석

• 차원축소 : 데이터를 잘 나타내는 일부 특성을 사용하여 적은 수의 새로운 특성으로 변환하는 비지도 학습 → 저장 공간을 줄이고, 시각화하기 쉬우며, 알고리즘의 성능을 높일 수 있음

• 주성분 분석 : 대표적인 차원 축소 알고리즘으로, 분산이 가장 큰 방향(주성분)을 찾는 것.

• 설명된 분산: 주성분이 얼마나 원본 데이터의 분산을 잘 나타내는지 기록한 것.

• 핵심 패키지:

  • PCA : 주성분 분석을 수행하는 클래스
    • n_components : 주성분의 개수 지정
    • components_ : 훈련 세트에서 찾은 주성분을 저장
    • explained_variance_ : 설명된 분산이 저장
    • inverse_transform() : 축소시킨 데이터를 다시 복원