2. 비지도 학습의 주요 사례

1. **군집화(Clustering)**: 비슷한 특성을 가진 데이터를 그룹으로 묶음

   - 예: 고객 세그먼테이션, 문서 분류

2. **차원 축소(Dimensionality Reduction)**: 데이터의 중요 특성을 유지하면서 차원을 줄임

   - 예: 주성분 분석(PCA), t-SNE

3. **이상치 탐지(Anomaly Detection)**: 정상 패턴에서 벗어난 데이터 식별

   - 예: 부정 거래 탐지, 네트워크 침입 감지

4. **연관 규칙 학습(Association Rule Learning)**: 데이터 항목 간의 관계 발견

   - 예: 장바구니 분석, 추천 시스템

3. 비지도 학습의 일반적인 학습 방법

1. **데이터 수집 및 전처리**: 관련 데이터를 수집하고 정제

2. **알고리즘 선택**: 문제와 데이터에 적합한 비지도 학습 알고리즘 선택

3. **모델 학습**: 선택한 알고리즘을 데이터에 적용

4. **결과 해석**: 발견된 패턴이나 구조의 의미 분석

5. **모델 평가 및 튜닝**: 적절한 평가 지표를 사용해 모델 성능 평가 및 개선

5. 영화 평점 군집화 실습

이제 8개의 영화에 대한 사용자 평점 데이터를 이용해 K-평균 군집화를 실습해보겠습니다.

```python

import numpy as np

import matplotlib.pyplot as plt

from sklearn.cluster import KMeans

# 영화 평점 데이터 (예시)

movies = ['영화A', '영화B', '영화C', '영화D', '영화E', '영화F', '영화G', '영화H']

ratings = np.array([

    [4, 3, 5, 2, 1, 4, 3, 5],  # 사용자 1

    [5, 4, 2, 1, 3, 5, 4, 2],  # 사용자 2

    [3, 2, 4, 5, 1, 3, 2, 4],  # 사용자 3

    [2, 1, 3, 4, 5, 2, 1, 3],  # 사용자 4

    [1, 5, 2, 3, 4, 1, 5, 2]   # 사용자 5

])

# K-평균 군집화 수행

kmeans = KMeans(n_clusters=3, random_state=42)

clusters = kmeans.fit_predict(ratings.T)

# 결과 시각화

plt.figure(figsize=(10, 6))

for i, movie in enumerate(movies):

    plt.scatter(ratings[:, i].mean(), ratings[:, i].std(), c=[clusters[i]], cmap='viridis', s=100)

    plt.annotate(movie, (ratings[:, i].mean(), ratings[:, i].std()), xytext=(5, 5), textcoords='offset points')

plt.xlabel('평균 평점')

plt.ylabel('평점 표준편차')

plt.title('영화 평점 군집화 결과')

plt.colorbar(ticks=range(3), label='군집')

plt.tight_layout()

plt.show()

# 군집화 결과 출력

for cluster in range(3):

    print(f"군집 {cluster}: {', '.join([movies[i] for i in range(len(movies)) if clusters[i] == cluster])}")

```

이 코드는 각 영화의 평균 평점과 평점의 표준편차를 기준으로 영화들을 3개의 군집으로 나눕니다. 결과 그래프를 통해 비슷한 특성을 가진 영화들이 어떻게 그룹화되는지 시각적으로 확인할 수 있습니다.

## 결론

비지도 학습, 특히 K-평균 알고리즘을 활용한 군집화는 데이터에서 숨겨진 패턴을 발견하는 강력한 도구입니다. 이 실습을 통해 영화 평점 데이터를 분석하여 비슷한 특성을 가진 영화들을 그룹화하는 방법을 배웠습니다. 이러한 기법은 추천 시스템, 시장 세분화 등 다양한 분야에서 활용될 수 있습니다.