계층적 클러스터링 (Hierarchical Clustering)

마일스톤 학습법으로 단계별 완전 정복

계층적클러스터링

덴드로그램

연결방법

트리구조

비지도학습

이 개념 직접 실험하기 — 계층적 군집화 시뮬레이터

이 학습을 통해 달성할 수 있는 목표

기초 이해

• 계층적 클러스터링의 기본 개념과 덴드로그램을 이해한다
• 상향식과 하향식 접근법의 차이를 설명할 수 있다
• K-Means와의 차이점과 각각의 장단점을 파악한다

심화 학습

• 다양한 연결 방법의 특성을 이해하고 적절히 선택할 수 있다
• 덴드로그램을 해석하여 최적 군집 수를 결정할 수 있다
• 거리 척도 선택이 결과에 미치는 영향을 분석할 수 있다

실무 적용

• 대용량 데이터에 적합한 계층적 클러스터링 기법을 적용할 수 있다
• 클러스터링 결과의 통계적 유의성을 검증할 수 있다
• 복잡한 비즈니스 문제에 계층적 분석을 효과적으로 활용할 수 있다

한눈에 보기

계층적 클러스터링은 가까운 것부터 차례로 묶어(또는 나눠) 군집의 계층(덴드로그램)을 만드는 군집화 방법이다.

병합형은 각 점에서 시작해 가장 가까운 군집을 합치며, 연결 기준(단일·완전·평균·와드)에 따라 군집 모양이 달라진다.
덴드로그램을 원하는 높이에서 잘라 군집 수를 사후에 정할 수 있다 — K를 미리 안 정해도 된다.
표본이 크면 계산량이 커 대규모 데이터엔 부담이다.

이 내용은 넘스탯의 계층적 군집화 시뮬레이터에서 직접 실험으로 확인할 수 있습니다.

학습 로드맵

각 단계를 클릭하면 해당 학습 내용을 볼 수 있습니다

기초 이해

개념 정의와 기본 원리

약 20분

클릭

심화 학습

공식 유도와 다양한 예시

약 45분

클릭

실무 적용

실제 케이스와 고급 응용

약 60분

학습 진도 (완료한 단계)

먼저 알아두면 좋은 개념들

거리 행렬과 유사도 측정

트리 자료구조

기초 이해계층적 클러스터링의 기본 개념

계층적 클러스터링의 기본 개념

난이도 3/5

약 20분

데이터를 트리 모양으로 단계적으로 묶어가면서 자연스러운 군집 구조를 찾는 방법을 알아봅시다.

계층적 클러스터링은 마치 '가계도를 그리는 것'과 같습니다. 가장 비슷한 개체들부터 차례로 묶어가면서 점점 더 큰 그룹을 만들어갑니다. 최종적으로는 모든 데이터가 하나의 트리로 연결되며, 원하는 수준에서 잘라내어 군집을 얻을 수 있습니다.

핵심 포인트

•군집의 개수 k를 미리 정하지 않아도 됩니다
•덴드로그램(dendrogram)이라는 트리 구조로 결과를 시각화합니다
•상향식(agglomerative)과 하향식(divisive) 두 가지 방법이 있습니다
•다양한 수준의 군집화 결과를 동시에 볼 수 있습니다

간단한 예시

동물들을 분류한다고 가정해봅시다. 먼저 가장 비슷한 고양이와 개를 묶고, 다음에 이들을 포유류 그룹으로 묶습니다. 별도로 독수리와 참새를 조류 그룹으로 묶은 후, 마지막에 포유류와 조류를 동물이라는 큰 그룹으로 묶습니다. 이런 식으로 단계적으로 만든 트리에서 원하는 높이로 자르면 2개 군집(포유류, 조류) 또는 4개 군집(고양이, 개, 독수리, 참새)을 얻을 수 있습니다.

기계학습 이론 페이지로 돌아가기