UMAP으로 주택 가격 구분하기
PCA와 t-SNE를 사용해 캘리포니아 주택 판매 데이터(house_sales_df)의 차원을 축소해 보셨습니다. 이제 UMAP을 사용해 보겠습니다. UMAP의 최종 결과는 t-SNE와 매우 비슷하지만, 일반적으로 계산 효율이 더 좋습니다. 또한 더 많은 전역 구조를 보존하려고 합니다. 실무적으로는 군집 간 거리로 유사성을 해석할 수 있다는 뜻이며, 이는 t-SNE로는 어려웠던 부분입니다.
house_sales_df의 타깃 변수는 price입니다. num_comp = 2로 설정하세요. tidyverse와 embed 패키지는 미리 로드되어 있습니다.
이 연습은 강의의 일부입니다
R에서의 차원 축소
연습 안내
- 레시피에서
step_umap()을 사용해house_sales_df의 모든 예측 변수에 UMAP을 적합하고, 변환된 데이터를umap_df에 저장하세요. ggplot()으로 UMAP 차원을 시각화하고, 타깃 변수price를 색상에 인코딩하세요.
실습형 인터랙티브 연습
이 예제를 이 샘플 코드를 완성하여 풀어보세요.
# Fit UMAP
set.seed(1234)
umap_df <- ___(___ ~ ., data = ___) %>%
___(___()) %>%
___(___(), num_comp = 2) %>%
prep() %>%
___()
# Plot UMAP
___ %>%
___(aes(x = ___, y = ___, color = ___)) +
___(alpha = 0.7) +
scale_color_gradient(low="gray", high="blue")