[파이썬] 기본 개념 정리 (9) - 핵심 개념 끝

군집화를 통한 데이터 특성 파악!

K-평균 군집화

→ 사전에 군집 개수 k를 결정

→ 각 군집 중심과 데이터 거리 차의 제곱 합을 최소화 시키는 경우를 찾는 방식

import pandas as pd
import matplotlib.pyplot as plt
from sklearn.cluster import KMeans

df = pd.read_csv('/Users/gyeongmincho/Desktop/대학교/대학교 교제 및 수업자료 pdf/2학년/컴프 2/연습/군집화/menu.csv')

df_data = df.loc[:, ['가격','판매량']]

km = KMeans(n_clusters=4, random_state = 0)
km.fit(df_data)

result = km.predict(df_data)
df.loc[:, 'result'] = result

plt.figure(figsize=(10, 5))
plt.scatter(df.loc[:, '가격'], df.loc[:, '판매량'], c= result)
plt.show()

#군집의 중심 위치 출력
km.cluster_centers_

#할당 결과를 DtaFrame에 추가
df.loc[:,'result'] = result

scikit-learn

import sklearn

인공지능/기계학습/딥러닝

• 인공지능 : 문제 해결을 위해 인간의 지능을 모사
• 기계학습 : 학습과 경험을 거듭할수록 기계가 발전하는 경우
• 딥러닝 : 신경망을 기초로 하여, 학습이 이루어지는 경우

---

Elbow Method

• 적절한 지점 찾기 (팔꿈치 쪽, 튀어나온 쪽)

---

밀도 기반 군집화 (DBSCAN)

→ 원의 반지름과 원 안에 포함될 최소 점 개수를 사전에 지정

• K - 평균 군집화의 문제 → 어거지로 나눔

---

계층적 군집화

→ 데이터로 주어진 모든 개체끼리의 유사도를 계산

→ 유사도가 가장 높은 두 개체를 하나의 군집으로 묶음

• Single Linkage : 서로 다른 그룹의 점 사이 거리의 최솟값을 유사도로 간주
• Complete Linkage : 서로 다른 그룹의 점 사이 거리의 최댓값을 유사도로 간주
• Average Linkage : 서로다른 그룹의 점 사이 거리의 평균값을 유사도로 간주

import pandas as pd
import matplotlib.pyplot as plt
import scipy.cluster.hierarchy
from scipy.cluster.hierarchy import linkage
from scipy.cluster.hierarchy import dendrogram

df = pd.read_csv('housing.csv')
house_position = df[['x', 'y']]

linked = linkage(house_position, 'single')
dendrogram(linked, orientation = 'top')