AI를 위한 필수 수학

151

Chapter 3 -

데이터에 함수를 최적화시키는 방법

하는 일반적인 머신러닝 방법이다. 각 데이터 포인트는 각 클러스터의 평균과 가장 가까운 클러

스터에 할당된다. 각 클러스터의 평균 또는 중심은 클러스터의 프로토타입 역할을 한다. 즉,

k

-

평균 클러스터링은 각 클러스터 내의 분산 (평균에 대한 제곱 유클리드 거리 )을 최소화한다.

k

-평균 클러스터링의 가장 일반적인 알고리즘은 반복 알고리즘이다.

1

k

개의 집합으로 시작한다. 이는 우리가 미리 클러스터의 수를 지정해야 한다는 의미인데, 이는 다음과 같은

질문으로 이어진다 (다음 질문과 관련된 문헌이 있다 ).

●

어떻게 초기화해야 할까?

●

처음

k

개의 중심 위치를 선택하는 방법은 무엇일까?

2

각 데이터 포인트를 제곱 유클리디안 거리

squared

Euclidean

distance

의 평균이 가장 작은, 즉 평균과 가장 가까운

클러스터에 할당한다.

3

각 클러스터의 평균을 다시 계산한다.

알고리즘이 수렴하는 시점은 각 클러스터에 할당된 데이터 포인트가 더 이상 변하지 않는 순간

이다.

3.8

분류 모델의 성능 평가

어떤 대상을 계산하고 결과를 생성하는 수학적 모델을 개발하는 것은 비교적 쉽다. 하지만 우

리가 원하는 목표를 잘 수행하는 모델을 개발하는 것은 완전히 다른 이야기다. 또한 일부 성능

지표에 따라 잘 수행된다고 평가되는 모델이 다른 지표에서는 나쁜 성능을 보일 수도 있다. 사

용 목적에 따라 어떤 성능 지표를 따를 것인지 결정하고 새로운 성능 지표를 개발하는 데는