반응형 머신러닝18 [머신러닝] K-Means 군집화 K-Means 알고리즘 : 데이터 포인트들을 비슷한 속성의 그룹으로 묶어주는 비지도학습 알고리즘 중 하나이다. 'Centroid'라는 클러스터(군집)의 중심점 개념이 사용된다. 데이터 포인트들과 Centroid들 간 거리 계산을 통해 Centroid들의 위치가 재설정되며 학습이 진행된다. 이 시간에는 K-Means 알고리즘 수행 단계를 간단히 정리해보고자 한다. K-Means 알고리즘 수행 단계 '초기화', '학습', '새로운 데이터에 적용' 이렇게 크게 3단계로 구분할 수 있다. 1. 초기화 사용자가 처음 정하는 아래 2개 항목은 알고리즘 수행 결과에 큰 영향을 미친다. 클러스터 개수 : 최종적으로 만들고자 하는 클러스터의 개수를 정해준다. 클러스터 중심점(Centroid) 위치 설정 방법 : 중심점의.. 2021. 5. 30. [머신러닝] S.O.M 알고리즘 (2) - MiniSom 이전 포스팅에서는 S.O.M 알고리즘의 수행 단계와 평가 지표에 대해 알아보았다. 2021.05.04 - [머신러닝] - S.O.M 알고리즘 (1) - 개념 이번에는 SOM을 numpy 기반으로 작게 구현해 놓은 MiniSom 패키지를 활용하여 클러스터링과 시각화를 해볼 것이다. 0. 실습 준비 MiniSom 패키지를 설치한다. pip을 이용하여 tensorflow라는 이름의 anaconda 가상환경에 패키지를 설치한다. * github 페이지 'examples' 폴더에서 패키지의 다양한 활용 예시 코드를 볼 수 있으며, 'minisom.py' 코드를 통해 SOM 알고리즘이 어떻게 구현되어 있는지 확인할 수 있다. 맵 시각화를 위한 bokeh 패키지를 설치한다. MiniSom과 동일한 방식으로 설치한다... 2021. 5. 12. [머신러닝] S.O.M 알고리즘 (1) - 개념 Self-organizing map (자기조직화지도) 데이터 내 위상(topology)을 보존하면서, 고차원의 input space를 단순한 저차원의 output space로 변환 인공신경망 구조이며, error-correction learning이 아닌 competitive learning 방법 채택 각 output 노드의 weight vector와 이웃 노드 weight vector 간 거리의 평균을 표현한 U-matrix로 시각화 S.O.M 알고리즘은, 1980년대 알고리즘을 처음 발표한 Teuvo Kohonen 교수의 이름을 따서, Kohonen map이라고 부르기도 한다. Kohonen's S.O.M 알고리즘 수행 단계 1. Normalization 스케일이 큰 설명변수에 치우쳐 맵이 생성되지 .. 2021. 5. 4. 이전 1 2 다음 반응형
