Unsupervised Learning과 K-Means Clustering

2025.02.01 - [🐍 Python] - K-Means Clustering 실습 및 이론 정리

K-Means Clustering 실습 및 이론 정리

안녕하세요, 여러분. 오늘은 인공지능에서 중요한 개념 중 하나인 Unsupervised Learning(비지도 학습)에 대해 알아보겠습니다.

1. 비지도 학습이란?

먼저, 우리가 흔히 접하는 인공지능 모델은 크게 두 가지로 나뉩니다. 하나는 정답이 있는 데이터를 가지고 학습하는 Supervised Learning(지도 학습)이고, 다른 하나는 정답이 없는 데이터를 분석하여 패턴을 찾는 Unsupervised Learning(비지도 학습)입니다.

그렇다면 비지도 학습은 어디에 쓰일까요? 대표적인 예로 고객 데이터 분석이 있습니다. 예를 들어, 배달의 민족과 같은 서비스에서는 매일 수많은 고객들이 주문을 합니다. 그리고 그 데이터가 쌓이게 되죠.

이때, 만약 우리가 특정 고객이 어떤 유형에 속하는지 분류하고 싶다고 해봅시다. 예를 들어 "이 고객은 야식을 자주 주문하는 고객이다", "이 고객은 점심 시간에 많이 주문하는 고객이다"와 같은 정보를 얻고 싶다면 어떻게 해야 할까요? 이럴 때 사용하는 대표적인 방법이 바로 클러스터링(Clustering)입니다.

 

2. K-Means Clustering의 개념

K-Means Clustering은 비지도 학습에서 가장 널리 사용되는 클러스터링 알고리즘입니다. 기본적인 개념은 간단합니다.

• 우리가 가지고 있는 데이터를 K개의 그룹(Cluster)으로 나눕니다.
• 비슷한 특성을 가진 데이터끼리 묶어서 하나의 클러스터로 만듭니다.
• 이 과정에서 클러스터의 중심점을 계속 조정하여 최적의 그룹을 찾습니다.

예를 들어, 고객의 결제 데이터가 있다고 가정해 봅시다. 데이터에는 다음과 같은 정보가 포함될 수 있습니다.

• 유저 ID
• 결제 금액
• 주문한 메뉴
• 결제 시간

이런 데이터를 활용하여 비슷한 주문 패턴을 가진 고객들을 하나의 그룹으로 묶을 수 있습니다. 즉, 데이터의 패턴을 학습하여 고객 유형을 자동으로 분류하는 것이 K-Means Clustering의 역할입니다.

728x90

3. K-Means Clustering 적용 예시

여러분이 배달의 민족에서 일한다고 가정해봅시다. 우리는 고객 데이터를 분석해서 비슷한 고객 그룹을 찾고 싶습니다.

(1) 데이터 수집

고객들이 주문한 데이터를 모읍니다. 예를 들어, 다음과 같은 정보가 있다고 합시다.

유저 ID결제 금액주문한 메뉴결제 시간

101	25,000	치킨	19:30
102	40,000	피자	12:15
103	30,000	짜장면	18:45
104	50,000	초밥	20:10
105	15,000	김밥	07:30

(2) K-Means 알고리즘 적용

이제 이 데이터를 기반으로 고객들을 K개의 그룹으로 나눕니다.

1. 초기 중심점(centroid) 설정: 랜덤하게 K개의 중심점을 설정합니다.
2. 거리 계산 후 클러스터 배정: 각 데이터 포인트가 가장 가까운 중심점에 할당됩니다.
3. 중심점 업데이트: 각 클러스터의 평균을 계산하여 새로운 중심점을 설정합니다.
4. 반복 수행: 중심점이 변하지 않을 때까지 위 과정을 반복합니다.

(3) 결과 분석

K-Means를 실행하면, 고객들이 유사한 구매 패턴을 기준으로 그룹화됩니다. 예를 들면,

• 그룹 1: 주로 야식을 주문하는 고객
• 그룹 2: 점심 시간에 많이 주문하는 고객
• 그룹 3: 고가의 메뉴를 자주 주문하는 고객

이렇게 고객 그룹을 나누면, 마케팅 전략을 최적화할 수 있습니다. 예를 들어, 야식을 주로 주문하는 고객에게는 야식 할인 쿠폰을 제공하고, 점심을 많이 시키는 고객에게는 점심 세트 할인 행사를 홍보할 수 있겠죠.

4. K-Means Clustering과 지도 학습의 차이

여기서 중요한 점은 K-Means Clustering은 Y값이 없다는 점입니다. 즉, 우리가 미리 정해놓은 정답(라벨)이 없고, 데이터의 패턴을 찾아 그룹을 형성하는 것이 목표입니다.

반면, 지도 학습에서는 학습 데이터에 정답이 존재합니다. 예를 들어, "이 고객은 VIP 고객이다", "이 고객은 일반 고객이다"와 같이 미리 정해진 범주로 분류하는 것이죠. 하지만 K-Means Clustering은 정답이 없기 때문에 스스로 데이터를 분석하여 그룹을 만들어야 합니다.

5. 정리 및 결론

K-Means Clustering은 비지도 학습에서 가장 많이 쓰이는 알고리즘 중 하나입니다.

• 고객 데이터를 기반으로 비슷한 유형의 고객을 자동으로 그룹화할 수 있습니다.
• 기업에서는 이를 활용하여 맞춤형 마케팅 전략을 수립할 수 있습니다.
• 지도 학습과 달리 정답(라벨)이 없으며, 데이터를 통해 스스로 패턴을 학습하는 방식입니다.