Unsupervised Learning (비지도 학습) 알고리즘 정리

머신러닝에는 크게 지도학습(Supervised Learning) 과 비지도학습(Unsupervised Learning) 으로 나눌 수 있습니다. 지도학습은 정답(라벨)이 있는 데이터를 기반으로 예측 모델을 학습하는 방식이라면, 비지도학습은 라벨이 없는 데이터에서 숨겨진 구조나 패턴을 찾아내는 것이 핵심입니다.

이번 포스팅에서는 비지도학습의 대표적인 기법과 실제 활용 사례를 정리해보겠습니다.

---

✅ 비지도 학습의 주요 알고리즘

1. 클러스터링 (Clustering)

• 목적: 유사한 데이터끼리 그룹화
• 예시: 고객을 소비 패턴에 따라 그룹으로 분류
• 대표 알고리즘:
  • K-means
  • 계층적 군집화(Hierarchical Agglomerative Clustering)
  • DBSCAN
  • Mean Shift

2. 차원 축소 (Dimensionality Reduction)

• 목적: 데이터의 특성을 유지하면서 불필요한 차원을 줄여 효율성 향상
• 예시: 고해상도 이미지를 압축하면서도 주요 정보는 보존
• 대표 알고리즘:
  • 주성분 분석(Principal Component Analysis, PCA)
  • 비음수 행렬 분해(Non-negative Matrix Factorization)

---

📉 차원의 저주 (Curse of Dimensionality)

많은 특징(Feature)이 있다고 해서 항상 좋은 성능을 내는 것은 아닙니다. 오히려 차원이 너무 많으면 성능이 떨어지는 경우가 많습니다.

문제가 되는 이유:

• 스푸리어스 상관(일시적인 가짜 상관관계) 발생
• 신호보다 잡음(Noise)이 많아짐
• 모델이 불필요한 특징까지 고려 → 복잡성 증가
• 학습에 필요한 데이터가 기하급수적으로 늘어남
• 계산량 증가 및 이상치(Outlier) 발생 빈도 상승

👉 해결책: 차원 축소 기법(PCA 등) 을 통해 데이터 구조를 단순화

---

🔎 클러스터링의 대표적 활용 사례

1. 이상 탐지(Anomaly Detection)
   • 예: 금융 사기 탐지
   • 소수의 거래 패턴이 새로운 클러스터로 분리 → 이상 징후로 감지
2. 고객 세분화(Customer Segmentation)
   • 고객의 방문 빈도, 최근성, 평균 지출 금액 등으로 그룹화
   • 맞춤형 마케팅 전략에 활용
3. 지도학습 보완
   • 클러스터별로 따로 모델을 학습 (예: 각 그룹마다 로지스틱 회귀 적용) → 성능 향상 가능

---

🖼️ 차원 축소의 활용 사례

1. 이미지 압축
   • 고해상도 이미지를 효율적으로 줄이면서 주요 정보 유지
2. 영상 추적(Image Tracking)
   • 불필요한 잡음을 줄이고 핵심 요소만 남겨 알고리즘 속도 개선

---

🔑 K-means 클러스터링 정리

작동 방식

1. 임의의 중심점(centroid)을 지정
2. 각 데이터 포인트를 가까운 중심점에 할당
3. 클러스터별 평균값을 기반으로 중심점 갱신
4. 더 이상 클러스터 이동이 없을 때 수렴(convergence)

장단점

• 장점: 계산이 간단하고 빠름
• 단점: 초기 중심점 선택에 민감 → 다른 결과가 나올 수 있음
• 해결책: K-means++ 초기화 기법 활용

---

🎯 최적의 클러스터 수(K) 선택

K값은 사전에 알기 어렵기 때문에, 보통 성능 지표를 활용해 결정합니다.

• Inertia (관성): 각 점과 클러스터 중심점 간 거리 제곱합
  • 값이 작을수록 응집도가 높음
  • 단점: 데이터가 많아질수록 계속 커짐
• Distortion (왜곡도): 거리 제곱의 평균값
  • 값이 작을수록 응집도가 높음
  • 데이터가 늘어나도 안정적

👉 응집도를 강조할 땐 Distortion, 클러스터 크기를 고려할 땐 Inertia 활용

---

📌 마무리

비지도 학습은 데이터에 라벨이 없는 상황에서도 숨겨진 구조를 발견하는 강력한 방법입니다.

• 클러스터링 → 그룹화와 이상 탐지
• 차원 축소 → 효율적 데이터 처리와 성능 향상

특히 실제 비즈니스 현장에서는 고객 세분화, 사기 탐지, 이미지 처리 등 다양한 분야에서 활용되고 있습니다.

데이터가 복잡하고 고차원일수록, 비지도 학습을 활용해 의미 있는 패턴을 단순화하고, 이를 바탕으로 더 나은 의사결정을 할 수 있습니다.

---

SEO 키워드
비지도학습, 클러스터링, 차원 축소, K-means, PCA, 머신러닝