Please enable JavaScript.

Coggle requires JavaScript to display documents.

3과목 - Coggle Diagram

- - - - 생물학의 종의 분류 , 마케팅의 시장세분화, 금융의 산업분석 처럼 자주 쓰임
    - - 데이터 간 거리 측정 방법
        
        연속형 변수
        
        유클리디안 거리
        
        두 점 사이의 거리를 구하는 가장 일반적인 방법
        
        가장 짧은 거리를 측정하는 수학적 거리
        
        맨하튼 거리
        
        두 점 사이의 길을 따라갔을 때의 수학적 거리
        
        체비셰프 거리
        
        두 점 사이의 거리 중 최댓값을 데이터간 거리로 정의
        
        표준화 거리
        
        유클리디안 거리를 표준편차로 나눔
        
        마할라노비스 거리
        
        데이터 간의 상관성까지 고려한 거리
        
        민코프스키 거리
        
        유클리디안 , 맨하튼 거리를 일반화 한 거리
        
        변수가 범주형
        
        단순 일치 계수
        
        자카드 지수
        
        자카드 거리
        
        합집합과 교집합의 비율
        
        코사인 유사도
        
        코사인 거리
        
        순위 상관계수
      - 평가 지표
        
        실루엣계수
        
        하나의 데이터와 나머지 모두의 데이터를 활용하여 지금 데이터가 속한 군집 안에 데이터가 잘 속해 있는지 평가하는 방법
        
        -1 < < 1
  - - - 계층적 군집분석
        
        데이터 간의 거리를 계산해서 가장 가까운 데이터들끼리 결합해 나가면서 트리 구조를 형성하고
        이를 통해 군집화를 수행하는 방식
        
        분할적 방법
        
        전체 데이터를 하나의 군집으로 가정하고 각각의 관측치가 하나의 군집이 될 때까지 군집을 순차적으로 분할
        
        병합적 방법
        
        각각의 데이터를 순차적으로 병합해 군집을 형성
        
        군집 간의 거리 측정 방법
        
        단일 연결법
        
        최단 연결법
        
        군집 간 가장 가까운 데이터 연결
        
        완전 연결법
        
        최장 연결법
        
        군집 간 가장 먼 데이터 연결
        
        평균 연결법
        
        군집 내 평균 데이터로 거리를 계산
        
        중심 연결법
        
        각 군집의 중심점 사이의 거리를 거리로 정의
        
        와드 연결법
        
        두 군집의 편차의 제곱합이 최소가 되는 데이터로 거리를 계산
        
        시각적으로 계층적 군집화를 표현
        
        덴드로그램
    - - 비계층적 군집분석
        
        구하고자 하는 군집의 수를 사전에 정의해서 원하는 군집의 수만큼 형성
        
        K-Means 군집
        
        원하는 군집의 수(K개)를 사전에 정의한 뒤 군집화
        
        중심점
        
        초기 k값 설정이 어렵다
        
        연속형 변수
        
        이상값에 민감
        
        DBSCAN
        
        거리가 아닌 밀도기반의 군집 분석 방법 중 하나
        
        노이즈와 이상치에 강함
  - - - likelihood의 기댓값을 계산하는 E단계와 기댓값 최대화 추정값을 계산하는 M단계를 반복
  - - - 고차원 데이터를 저차원 공간에 정렬화 하는 시각화 방법 중 하나
      - 입력층의 모든 데이터는 경쟁층의 모든 노드와 완전연결 되어 있다
      - 역전파가 아닌 순전파 방식
- - - - 지지도
        
        A와 B 가 동시에 구매된 거래 수 / 전체 거래수
    - - 신뢰도
        
        A 와 B가 동시에 구매될 확률 / A가 구매될 확률
        
        방향에 따라 값이 다름
        
        두 품목의 조건부 확률로 나타낼 수 있음
    - - 향상도
        
        A와 B가 동시에 구매될 확률 / A가 구매될 확률 * B가 구매될 확률
        
        1보다 크면 A가 구매될 때 B가 구매될 확률이 높다
        
        1보다 작으면 A가 구매될 때 B가 구매될 확률이 닞다
        
        1과 같으면 B가 구매될 확률 변화가 없다
        
        (A→B)의 신뢰도 / B가 구매될 확률
  - - - 지지도를 사용해 자주 발생하는 아이템 집합을 판별하고 이를 통해 계산의 복잡도를 감소시키는 알고리즘
    - - 후보빈발집합을 생성하지 않고 연관 규칙을 발견하도록 고안된 알고리즘
  - - - 장바구니 분석
        
        고객들의 구매패턴을 분석하여 의미 있는 규칙을 도출
      - 치킨을 구매한 고객은 콜라를
        구매할 확률이 높다