화면에는 앞에서 계산한 곡물 샘플의 계층적 클러스터링에 대한 덴드로그램이 표시되어 있습니다. 던드로그램에서 높이 6에서 클러스터링을 멈춘다면, 클러스터는 몇 개가 될까요?
이 연습은 강의의 일부입니다
이론을 실습으로 바꾸는 인터랙티브 연습 중 하나를 만나보세요
데이터셋에 숨어 있는 그룹(또는 "클러스터")을 찾는 방법을 배웁니다. 이 장의 끝에서는 주가 데이터를 활용해 기업을 클러스터링하고, 측정값 클러스터링으로 서로 다른 종을 구분해 볼 거예요.
이 장에서는 데이터 시각화를 위한 두 가지 unsupervised learning 기법인 계층적 클러스터링과 t-SNE를 배웁니다. 계층적 클러스터링은 데이터 샘플을 점점 더 큰 클러스터로 병합하여, 결과 클러스터 계층 구조를 트리로 시각화합니다. t-SNE는 데이터 샘플을 2차원 공간에 매핑해 샘플 간의 근접성을 시각적으로 파악할 수 있게 해 줍니다.
현재 연습
차원 축소는 데이터셋을 자주 나타나는 공통 패턴으로 요약합니다. 이 장에서는 차원 축소의 가장 기본 기법인 "Principal Component Analysis"("PCA")를 배웁니다. PCA는 감독학습 전에 모델 성능과 일반화를 높이는 데 자주 쓰이며, unsupervised learning에도 유용합니다. 예를 들어, PCA의 변형을 사용해 Wikipedia 문서를 내용에 따라 클러스터링해 볼 거예요!
이 장에서는 샘플을 해석 가능한 부분의 조합으로 표현하는 차원 축소 기법 "Non-negative matrix factorization"("NMF")를 배웁니다. 예를 들어 문서는 주제의 조합으로, 이미지는 자주 나타나는 시각적 패턴의 조합으로 표현할 수 있어요. 또한 NMF를 사용해 읽을 만한 유사 문서를 찾거나, 청취 이력에 맞는 음악 아티스트를 추천하는 추천 시스템도 만들어 봅니다!
