스펙트럴 군집화 원리 3단계: 유사도 그래프·라플라시안·고유분해로 비선형 군집 풀기
원형이 아닌 복잡한 형태의 데이터에서 K-평균이 실패하는 이유와, 유사도 그래프·정규화 라플라시안·고유값 분해를 거쳐 K-평균이 통하는 공간으로 바꿔 군집을 찾는 스펙트럴 군집의 3단계 원리를 정리했다.
핵심 내용 읽기 →
AI TOPIC
군집화 최신 뉴스와 핵심 해설
군집화 관련 핵심 뉴스와 활용 인사이트 6편을 최신순으로 모았습니다.
DBSCAN 군집화 알고리즘 완벽 정리: 밀도 기반 클러스터링으로 중첩 군집과 이상치 구분하기
DBSCAN은 점들이 모여 있는 밀도를 기준으로 데이터를 군집으로 묶는 비지도 학습 알고리즘입니다. k-평균이 어려워하는 중첩 군집과 이상치를 어떻게 구분하는지 핵심점 개념을 들어 쉽고 자세하게 정리했습니다.
핵심 내용 읽기 →
EM 알고리즘과 가우시안 혼합 모델 이해하기: 결측 데이터와 군집화를 동시에 푸는 직관과 수식
모수와 데이터를 동시에 모르는 닭과 달걀 상황에서 둘을 번갈아 추정해 수렴시키는 EM 알고리즘의 직관과 E·M 단계 수식, 그리고 가우시안 혼합 모델 군집화에 어떻게 활용되는지까지 차근차근 쉽게 풀어 설명합니다.
핵심 내용 읽기 →
t-SNE 차원 축소 원리 쉽게 이해하기 — 고차원 데이터를 군집이 살아있는 2차원 지도로 시각화하는 법
t-SNE는 고차원 데이터를 원래 정보를 최대한 살리면서 저차원 그래프로 줄여 숨은 군집을 눈으로 보게 해줍니다. 유사도 점수 계산과 t분포로 군집을 보존하는 작동 원리를 단계별로 풀어 설명합니다.
핵심 내용 읽기 →
K-평균 군집화 완벽 정리: 작동 원리와 군집 개수(K)를 고르는 엘보 기법까지 한눈에
K-평균 군집화가 라벨 없는 데이터를 스스로 묶는 과정을 단계별로 설명합니다. 군집 중심을 무작위로 잡고 가까운 점을 배정한 뒤 평균을 다시 계산하는 반복, 군집 내 변동으로 품질을 평가하는 법, 엘보 기법으로 최적의 K를 고르는 요령까지 짚었습니다.
핵심 내용 읽기 →
랜덤 포레스트 결측치 처리와 근접도 행렬 — 군집화까지 정리
랜덤 포레스트에서 학습 데이터와 새 샘플의 결측치를 반복 추정으로 채우는 방법, 그리고 근접도 행렬을 거리 행렬로 바꿔 히트맵·MDS로 군집을 보는 원리를 사례로 설명한다.
핵심 내용 읽기 →