계층적 군집화 - 위키백과, 우리 모두의 백과사전

기계 학습과 데이터 마이닝

패러다임 지도 학습 비지도 학습 온라인 기계 학습 메타-학습 준지도 학습 자기 지도 학습 강화 학습 규칙 기반 기계 학습 양자 기계 학습
문제 분류 클러스터 분석 회귀 분석 클러스터 분석 이상 탐지 데이터 정제 연관 규칙 구조 기반 예측 특징 공학 특징 학습 순위 학습 문법 유도 온톨로지 학습 멀티모달 학습
지도 학습 (통계적 분류 • 회귀 분석) 결정 트리 학습법 앙상블 학습법 (배깅, Boosting, 랜덤 포레스트) 최근접 이웃 탐색 k-NN 선형 회귀 나이브 베이즈 인공신경망 로지스틱 회귀 퍼셉트론 상관 벡터 머신(RVM) 서포트 벡터 머신(SVM)
클러스터 분석 BIRCH 계층적 군집화 k-평균 알고리즘 기댓값 최대화 알고리즘 DBSCAN OPTICS Mean-shift
차원 축소 인자 분석 CCA 독립 성분 분석 LDA 음수 미포함 행렬 분해 주성분 분석 t-SNE
구조화 예측 그래프 모형 베이즈 네트워크 조건부 무작위장 은닉 마르코프 모형 잠재 디리클레 할당
이상 탐지 k-최근접 이웃 알고리즘 국소 특이점 요인
인공 신경망 오토인코더 인지 컴퓨팅 딥 러닝 딥드림 생성적 적대 신경망 확산 모델 다층 퍼셉트론 순환 신경망 LSTM GRU 제한된 볼츠만 머신 변환기 비전 자기조직화지도 합성곱 신경망
강화 학습 Q 러닝 SARSA 시간차 학습
인간 참여학습 러닝 커브 크라우드소싱 인간 참여형
모델 진단 러닝 커브
이론 편향-분산 트레이드오프 계산학습이론 경험적 위험 최소화 PAC 러닝 통계적 학습이론 VC 이론
회의/저널 NeurIPS ICML ICLR ML JMLR
관련 문서 기계 학습 알고리즘 목록 기계 탈학습 지식 증류 유사도 학습 대조 학습
v t e

계층적 군집화(Hierarchical clustering, 계층적 클러스터 분석, 위계적 군집화, hierarchical cluster analysis, HCA)은 데이터 마이닝 및 통계학에서 클러스터 계층을 구축하려는 클러스터 분석 방법이다. 계층적 군집화 전략은 일반적으로 두 가지 범주로 나뉜다.

응집형/병합(agglomerative): 이것은 "상향식" 접근 방식이다. 각 관찰은 자체 클러스터에서 시작하고 클러스터 쌍은 하나가 계층 구조 위로 이동할 때 병합된다.
분할(divisive): 이는 "하향식" 접근 방식이다. 모든 관찰은 하나의 클러스터에서 시작하고 계층 구조 아래로 이동함에 따라 분할이 반복적으로 수행된다.

일반적으로 병합과 분할은 탐욕적인 방식으로 결정된다. 계층적 군집화의 결과는 일반적으로 덴드로그램(dendrogram)^[1]으로 표시된다.

같이 보기[편집]

각주[편집]

↑ Nielsen, Frank (2016). 〈8. Hierarchical Clustering〉. 《Introduction to HPC with MPI for Data Science》. Springer. 195–211쪽. ISBN 978-3-319-21903-5.