[ML] Unsupervised Learning (비지도 학습)

이번에는 비지도 학습에 데하여 한번 알아보겠습니다.

비지도 학습(Unsupervised Learning)은 레이블이 없는 데이터를 사용하여 데이터 내의 패턴이나 구조를 발견하는 머신러닝 방법입니다.이 학습 방식은 데이터에 사전 지식 없이 데이터를 분석하고, 그 안에 숨겨진 의미 있는 구조나 관계를 발견하는 데 중점을 둡니다.

Unsupervised Learning (비지도 학습) 주요 특징

• 레이블 없음: 비지도 학습은 레이블이나 목표 변수가 없는 입력 데이터만을 사용합니다. 이는 레이블링이 어렵거나 불가능한 대규모 데이터셋을 다룰 때 유용합니다.
• 패턴 발견: 비지도 학습은 데이터 내에서 숨겨진 패턴이나 구조를 탐색하여 데이터 간의 관계를 이해하려고 합니다. 이러한 패턴 발견은 데이터의 본질적인 특성을 이해하는 데 중요한 역할을 합니다.
• 탐색적 분석: 비지도 학습은 데이터를 이해하고 분석하는 과정에서 탐색적 분석(Exploratory Data Analysis, EDA)의 도구로 사용됩니다. 이를 통해 잠재적인 그룹을 식별하거나 데이터의 전반적인 구조를 파악할 수 있습니다.

---

Unsupervised Learning (비지도 학습) 주요 유형

• 클러스터링(Clustering): 클러스터링은 비슷한 특성을 가진 데이터 포인트들을 같은 그룹으로 묶는 과정입니다. 대표적인 클러스터링 알고리즘으로는 K-평균(K-Means), 계층적 클러스터링, DBSCAN 등이 있습니다.
  • 예를 들어, 고객 데이터를 군집화하여 유사한 소비 패턴을 가진 그룹을 식별할 수 있습니다.
• 차원 축소(Dimensionality Reduction): 차원 축소는 고차원 데이터를 더 적은 수의 차원으로 변환하여 데이터를 요약하는 과정입니다. 이는 데이터의 시각화나 처리 속도를 향상시키는 데 유용합니다.
  • 대표적인 방법으로는 주성분 분석(PCA)과 t-SNE가 있습니다.
• 연관 규칙 학습(Association Rule Learning): 연관 규칙 학습은 데이터 내의 항목 간의 흥미로운 관계를 찾는 과정입니다. 이 방법은 주로 장바구니 분석에서 사용되며, 고객이 특정 상품을 구매할 때 함께 구매하는 다른 상품을 식별하는 데 유용합니다.
  • Apriori 알고리즘과 FP-Growth가 대표적인 방법입니다.

---

Unsupervised Learning (비지도 학습) 장, 단점

비지도 학습의 장점

1. 레이블링 비용 절감: 비지도 학습은 레이블이 필요 없기 때문에 데이터 레이블링에 드는 비용을 절감할 수 있습니다. 이는 특히 대규모 데이터셋을 다룰 때 큰 장점이 됩니다.
2. 데이터 탐색: 비지도 학습은 데이터를 탐색하고 이해하는 데 유용합니다. 이를 통해 데이터의 구조나 분포를 파악할 수 있으며, 이는 이후의 모델링 과정에 도움을 줄 수 있습니다.
3. 새로운 패턴 발견: 비지도 학습은 사전에 정의되지 않은 새로운 패턴이나 구조를 발견할 수 있습니다. 이는 데이터에서 예상하지 못한 인사이트를 얻을 수 있게 해줍니다.

비지도 학습의 단점

1. 결과 해석의 어려움: 비지도 학습의 결과는 종종 직관적으로 해석하기 어려울 수 있습니다. 특히 클러스터링 결과나 차원 축소 결과는 그 의미를 명확히 이해하는 데 추가적인 분석이 필요할 수 있습니다.
2. 성능 평가의 어려움: 비지도 학습은 명확한 목표 값이 없기 때문에 정량적으로 모델의 성능을 평가하기 어렵습니다. 평가 방법으로는 실루엣 계수(Silhouette Score)나 엘보우 방법(Elbow Method) 등이 있지만, 지도 학습에 비해 명확성이 떨어질 수 있습니다.
3. 정확성 보장 어려움: 지도 학습에 비해 비지도 학습은 예측의 정확성을 보장하기 어렵습니다. 이는 데이터에 대한 명확한 피드백이 없기 때문이며, 결과적으로 모델의 일반화 능력에 한계가 있을 수 있습니다