넘스탯
DATA ANALYTICS & INSIGHTS
확률에서 LLM까지 – 데이터 사이언스 전문 교육 플랫폼
비지도학습 종합 실습실
"정답표 없이 데이터의 구조를 발견하라" — 6개 핵심 알고리즘을 한자리에서 체험
원하는 개념·랩·가이드를 검색해보세요
Ctrl K정답 없이, 데이터 스스로 구조를 찾게 하기
이 페이지에서 배우고 나면
- 군집화·차원 축소 등 비지도학습이 푸는 문제 유형을 구분할 수 있습니다.
- 정답이 없는데 어떻게 '잘한 것'인지 판단하는지 감을 잡을 수 있습니다.
- K-means·PCA·DBSCAN 등이 각각 어떤 상황에 맞는지 이해할 수 있습니다.
K-Means 종합 실습
대표 클러스터링 + Elbow/SilhouetteLloyd 알고리즘 시각화에 Elbow Method와 Silhouette Score 평가를 결합한 종합 랩. K 선택의 두 표준 휴리스틱 비교.
DBSCAN 실습
밀도 기반 클러스터링임의 모양 클러스터와 노이즈 자동 탐지. core/border/noise 시각화 + eps·min_samples 튜닝.
계층적 클러스터링 실습
Agglomerative + DendrogramBottom-up 병합과 덴드로그램 컷팅. 4종 linkage(single·complete·average·ward) 비교.
PCA 실습
주성분 분석 + 차원 축소공분산 행렬 고유분해, 주성분 시각화, Scree plot, 이미지 압축까지. 차원 축소의 표준 알고리즘.
연관 규칙 실습
Apriori 알고리즘 (장바구니)Support·Confidence·Lift 3대 지표 + Apriori 알고리즘. 추천 시스템과 마케팅의 기초.
이상치 탐지 실습
Isolation Forest · LOF · OC-SVMZ-Score·Mahalanobis·k-NN 비교 + Precision/Recall/F1 평가. 사기 탐지·고장 예측의 핵심.
🧭 어떤 알고리즘을 선택해야 할까?
📍 데이터가 구형 클러스터로 잘 나뉜다 → K-Means
사전에 K를 알거나 추정 가능. 가장 빠르고 표준적인 선택. Elbow/Silhouette로 K 결정.
🌙 모양이 복잡하거나 노이즈가 많다 → DBSCAN
초승달·동심원 같은 비구형 클러스터 처리 + 노이즈 자동 분류. K 사전 결정 불필요.
🌳 계층 구조가 의미 있다 → 계층적 클러스터링
덴드로그램으로 다양한 K를 동시에 탐색 가능. 작은~중간 데이터에 적합.
📉 차원이 너무 많다 → PCA
시각화·전처리·노이즈 제거. 선형 가정. 비선형 구조엔 Kernel PCA, t-SNE, UMAP.
🛒 함께 나타나는 항목 발견 → 연관 규칙
트랜잭션 데이터(구매·클릭). Apriori는 교육용·소규모, FP-Growth는 실무용 빠른 대안.
"비정상" 자동 탐지 → 이상치 탐지
사기·고장·이상 행동 탐지. Isolation Forest 기본, 밀도 격차엔 LOF, 비선형엔 OC-SVM.
📖 비지도학습 종합 학술 자료
- Hastie, Tibshirani, Friedman — Elements of Statistical Learning (Springer 2009) — Ch.14: 비지도학습 전반
- Bishop — Pattern Recognition and Machine Learning (Springer 2006) — Ch.9, 12: GMM, PCA, ICA
- Goodfellow et al. — Deep Learning (MIT Press 2016) — Ch.14: Autoencoders, 표현 학습
- Aggarwal — Data Mining: The Textbook (Springer 2015): 비지도학습 응용 종합
- scikit-learn 문서:
sklearn.cluster,sklearn.decomposition,sklearn.ensemble.IsolationForest