1. 고객 세그먼테이션 개요고객 세그먼테이션(Customer Segmentation)은 고객을 여러 기준에 따라 그룹으로 나누는 기법을 의미합니다.CRM(Customer Relationship Management)과 마케팅 전략의 핵심 기반이며, 다음과 같은 의사결정에 활용됩니다.VIP 고객 선별이탈 가능 고객 탐지재구매 유도 캠페인 설계맞춤형 프로모션 전략 수립이번 실습에서는 RFM 기법을 활용하여 고객 세그먼테이션을 수행합니다.2. RFM 기법 정의RFM은 고객의 구매 행동을 세 가지 지표로 요약합니다.Recency (최근성)→ 고객이 얼마나 최근에 구매했는가Frequency (빈도)→ 고객이 얼마나 자주 구매했는가Monetary Value (금액)→ 고객이 얼마나 많은 금액을 사용했는가이 세 가지 ..

1. DBSCAN 개요DBSCAN은 데이터의 밀도(density) 를 기반으로 군집을 형성하는 비지도 학습 알고리즘입니다.K-Means나 GMM과 달리 군집 개수를 사전에 지정하지 않으며, 데이터 분포 자체를 보고 자동으로 군집을 탐색합니다.특히 다음과 같은 데이터에서 강력한 성능을 보입니다.복잡한 비선형 기하학 구조원형이 아닌 고리형, 곡선형 분포이상치(Noise)가 포함된 데이터2. DBSCAN의 핵심 특징 정리2-1. 장점군집 개수 자동 결정이상치(Noise)를 자연스럽게 탐지복잡한 형태의 군집도 탐색 가능2-2. 단점데이터 밀도가 크게 다르거나 균일하면 성능 저하피처 수가 많아질수록 거리 계산이 어려워짐eps, min_samples 설정에 민감3. DBSCAN의 핵심 개념 정의 (매우 중요)(1)..

1. 개요K-Means는 거리 기반 군집화 알고리즘으로,군집이 원형(spherical) 이고 중심점을 기준으로 고르게 퍼져 있을 때 매우 효과적입니다.하지만 실제 데이터는 다음과 같은 경우가 많습니다.군집이 길게 늘어진 타원형 분포군집마다 분산 크기가 서로 다름중심 거리보다 분포 형태가 중요한 경우이러한 상황에서는 K-Means가 군집을 잘못 나누는 문제가 발생합니다.이를 해결하기 위해 등장한 알고리즘이 Gaussian Mixture Model(GMM) 입니다.2. K-Means의 구조적 한계K-Means의 핵심 가정각 군집은 하나의 중심점(Centroid) 을 가짐모든 군집은 유사한 크기와 분산거리(Euclidean Distance)가 군집 결정의 기준👉 결과적으로 원형 군집에는 강하지만,타원형·비대..

1. 개요Mean Shift는 군집 개수를 사전에 지정하지 않는 군집화 알고리즘입니다.K-Means처럼 “K를 몇 개로 할 것인가?”를 고민할 필요 없이,데이터 분포 자체를 기준으로 군집 중심을 자동으로 탐색합니다.Mean Shift의 핵심은 KDE(Kernel Density Estimation, 커널 밀도 추정) 입니다.즉, 데이터가 가장 밀집된 방향으로 반복적으로 이동하면서자연스럽게 군집 중심에 수렴하도록 설계된 알고리즘입니다.1. 개요Mean Shift는 군집 개수를 사전에 지정하지 않는 군집화 알고리즘입니다.K-Means처럼 “K를 몇 개로 할 것인가?”를 고민할 필요 없이,데이터 분포 자체를 기준으로 군집 중심을 자동으로 탐색합니다.Mean Shift의 핵심은 KDE(Kernel Density ..

1. 개요군집화(Clustering)는 정답(label)이 없는 비지도 학습이기 때문에모델 성능을 단순 정확도로 평가할 수 없습니다.따라서 군집이 얼마나 잘 분리되었는지를 정량적으로 판단할 수 있는 지표가 필요하며,그중 가장 널리 사용되는 방법이 실루엣(Silhouette) 분석입니다.이번 글에서는실루엣 계수의 개념과 수식붓꽃(Iris) 데이터셋을 이용한 실루엣 분석 실습클러스터 개수(K) 최적화를 위한 실루엣 시각화다양한 K값에 따른 실루엣 점수 비교를 입문자도 이해할 수 있도록 단계별로 정리합니다.2. 실루엣 분석 개념 정리2-1. 실루엣 분석이란?실루엣 분석은 다음 조건을 동시에 만족하는지를 평가합니다.같은 군집 내 데이터끼리는 서로 가깝고다른 군집과는 멀리 떨어져 있는지즉, 군집 간 분리도(sep..

1. 개요군집화 알고리즘은 정답(label)이 없는 데이터에서 패턴을 찾기 때문에,알고리즘의 동작 원리를 명확히 이해하기 위해서는 통제된 데이터로 실험하는 것이 매우 중요합니다.이번 글에서는make_blobs()를 이용해 의도적으로 군집 구조가 있는 데이터를 생성하고K-Means 알고리즘이 어떻게 중심점을 찾고 군집을 형성하는지그리고 군집 중심(Centroid)이 시각적으로 어떻게 이동·결정되는지를 단계적으로 확인합니다.2. Clustering 알고리즘 테스트용 데이터 생성 파라미터 이해Clustering 실험을 위해 사이킷런은 make_blobs()라는 함수를 제공합니다.주요 파라미터 설명n_samples생성할 전체 데이터 개수입니다. 기본값은 100이며, 실험 규모를 조절할 때 사용합니다.n_feat..

1. 개요군집화(Clustering)는 라벨이 없는 데이터를 대상으로,데이터 포인트 간의 유사성(similarity) 을 기준으로 여러 개의 그룹(군집)으로 나누는 비지도 학습 기법입니다.지도학습처럼 정답(label)이 존재하지 않기 때문에,“무엇이 비슷한가?”, “어떤 기준으로 묶을 것인가?”가 핵심이 됩니다.본 글에서는군집화의 기본 개념대표적인 군집 알고리즘K-Means 알고리즘의 동작 원리붓꽃(Iris) 데이터셋을 활용한 K-Means 실습과 시각화를 단계적으로 정리합니다.2. 군집화(Clustering)란 무엇인가?군집화란 데이터 포인트들을 여러 개의 군집(Cluster)으로 그룹화하는 작업을 의미합니다.🔹 군집화의 핵심 목적같은 군집 내부의 데이터들은 서로 유사서로 다른 군집 간 데이터들은 상..