7 - 정답 없이 배우는 머신러닝: 비지도 학습과 K-Means 클러스터링

지금까지는 정답(Label)이 있는 지도 학습(Supervised Learning) 모델을 중심으로 공부해 보았습니다.
이번 글에서는 완전히 새로운 방식인 비지도 학습(Unsupervised Learning)에 대해 알아보고, 대표 알고리즘 중 하나인 K-Means 클러스터링을 직접 실습해보겠습니다.

---

1️⃣ 비지도 학습이란 무엇인가요?

비지도 학습(Unsupervised Learning)은 정답이 없는 데이터를 기반으로 숨겨진 구조나 패턴을 찾아내는 학습 방식입니다.
즉, 데이터에 어떤 레이블도 주어지지 않은 상태에서 모델이 스스로 규칙을 발견하는 것이 핵심입니다.

📌 주요 활용 사례

• 고객 세분화 (Cluster Analysis): 고객을 성향이나 행동에 따라 그룹화
• 이상 탐지 (Anomaly Detection): 비정상적인 거래나 행위 탐지
• 차원 축소 (Dimensionality Reduction): 고차원 데이터를 시각화 가능하게 축소

📌 대표 알고리즘 분류

 

분류	알고리즘 예시
✅ 군집(Clustering)	K-Means, DBSCAN, 계층적 군집(Hierarchical Clustering)
✅ 차원 축소	PCA, t-SNE

---

2️⃣ K-Means 클러스터링 개념

K-Means는 비지도 학습에서 가장 널리 사용되는 군집화(Clustering) 알고리즘입니다.
이 알고리즘은 데이터를 K개의 그룹으로 자동으로 나누는 방식으로 작동합니다.

✅ 작동 원리

1. 데이터에서 임의로 K개의 중심(Centroids)을 선택합니다.
2. 각 데이터 포인트를 가장 가까운 중심에 할당합니다.
3. 할당된 포인트들을 기준으로 각 클러스터의 새로운 중심을 다시 계산합니다.
4. 클러스터 구성이 더 이상 변하지 않을 때까지 반복 수행합니다.

✅ K 값은 어떻게 정할까요?

• K 값을 무작정 정하면 성능이 떨어질 수 있습니다.
• 일반적으로 엘보우 방법(Elbow Method)을 통해 최적의 K를 찾습니다.
  → 클러스터 개수(K)에 따른 오차를 그래프로 그려 '꺾이는 지점'을 찾는 방식입니다.

---

✅ 실습: 2차원 데이터 클러스터링

아래는 가상의 2차원 데이터를 생성하고, K-Means 알고리즘을 적용하여 클러스터링을 시각화하는 예제입니다.

import numpy as np
import matplotlib.pyplot as plt
from sklearn.cluster import KMeans
from sklearn.datasets import make_blobs

# 가상 데이터 생성 (3개의 클러스터)
X, _ = make_blobs(n_samples=300, centers=3, cluster_std=1.0, random_state=42)

# K-Means 모델 학습
kmeans = KMeans(n_clusters=3, random_state=42, n_init=10)
y_kmeans = kmeans.fit_predict(X)

# 시각화
plt.scatter(X[:, 0], X[:, 1], c=y_kmeans, cmap='viridis', edgecolor='k', s=50)
plt.scatter(kmeans.cluster_centers_[:, 0], kmeans.cluster_centers_[:, 1], 
            c='red', marker='X', s=200, label='Centroids')
plt.title("K-Means Clustering")
plt.legend()
plt.show()

🔍 결과 해석

• 데이터는 3개의 군집으로 잘 나뉘어 있습니다.
• 빨간 X 표시는 각 클러스터의 중심(Centroid)을 의미합니다.
• 서로 다른 색으로 구분된 점들은 각각 서로 다른 그룹에 속한 데이터입니다.

---

🏆 오늘의 핵심 요약

항목	설명
✅ 비지도 학습	정답 없이 데이터를 분석하여 패턴이나 구조를 찾아냅니다.
✅ K-Means 클러스터링	데이터를 K개의 그룹으로 나누는 대표적인 군집화 알고리즘입니다.
✅ 엘보우 방법	클러스터의 수(K)를 합리적으로 정하기 위한 기준입니다.