PART 03 · 군집분석 3문제 풀이와 복습

OVERVIEW / 학습 안내

군집분석 학습 목표와 핵심 정리

총 3문제

학습 안내 · 무엇을 배울까요?

정답을 외우는 데 그치지 않고 알고리즘의 작동 원리와 선택지별 판단 근거를 이해합니다.

학습 주제
지도학습과 비지도학습 · K-means의 장단점 · 응집형 계층적 군집화

① 문제 확인→ ② 정답과 해설→ ③ 도식 이해→ ④ 복습 퀴즈

마지막 페이지에는 핵심 알고리즘 비교표와 직접 풀어보는 복습 문제가 있습니다.

이번 학습의 핵심 목표

① 비지도학습 구분
K-means는 레이블 없이 비슷한 개체를 묶습니다.

② K-means 장단점
쉽고 빠르지만 K 사전 지정·초기 중심점 민감성을 기억합니다.

③ 계층적 군집화
‘순차적 결합’은 응집형 계층적 군집화의 핵심 단서입니다.

문제별 한 줄 정리

문제	질문 핵심	정답	기억할 키워드
1	비지도학습의 군집화 알고리즘	K-means 군집	레이블 없음 · 유사성
2	K-means 설명 중 옳지 않은 것	‘지도학습보다 결과 해석이 쉽다’	해석은 자동이 아님
3	개별 개체를 순차적으로 통합	계층적 군집화	응집형 · 덴드로그램

학습 흐름: 각 문제의 보기 해설 → 그림으로 원리 이해 → 알고리즘 비교표 → 3문제 즉시 복습

QUESTION 01 / 비지도학습

비지도학습에 해당하는 군집화 알고리즘은?

정답 ④ K-means 군집

비지도학습 중 군집화 알고리즘에 해당하는 것은?

보기	알고리즘	학습 유형	판단
①	나이브베이즈	확률 기반 지도학습 분류	×
②	K-NN	지도학습 분류·회귀	×
③	로지스틱 회귀	지도학습 분류	×
④	K-means	비지도학습 군집화	정답
⑤	SVM	주로 지도학습 분류·회귀	×

✔ 정답: ④ K-means 군집

지도학습 vs 비지도학습

지도학습은 ‘정답(레이블)’을 학습하고, 비지도학습은 데이터 구조를 찾아냅니다.

지도학습 (Supervised Learning): 정답이 표시된 데이터를 이용해 예측 모형을 학습합니다.

비지도학습 (Unsupervised Learning): 정답 없이 데이터의 유사성·구조·패턴을 탐색합니다.

암기: K-means, DBSCAN, 계층적 군집화는 대표적인 비지도 군집분석 방법입니다.

QUESTION 02 / K-means 특징

K-means 설명 중 옳지 않은 것은?

정답 ② 결과 해석이 지도학습보다 용이함

K-means 알고리즘에 대한 설명으로 옳지 않은 것은?

보기	설명	판단
①	구현이 간단하다	○
②	결과 해석이 지도학습에 비해 용이하다	× 정답
③	계산 시간이 비교적 짧다	○
④	초기에 군집 수 K를 결정한다	○
⑤	초기 군집 수·중심에 따라 결과가 달라질 수 있다	○

핵심: ‘지도학습보다 해석이 쉽다’는 일반적으로 보장되지 않습니다.

②가 틀린 이유 · 관광객 세분화 예시

관광객 100명에게 K-means를 적용하여 K=3으로 군집을 나누었다고 가정합니다.

관광 선호 변수들을 살펴야 ‘웰니스 선호형’ 등으로 이름을 붙일 수 있습니다.

군집을 나누는 것과 군집을 해석하는 것은 서로 다릅니다.

⑤가 옳은 이유 · 초기 중심점의 영향과 알고리즘 절차

개념도: ★은 선택된 초기 중심점을 나타냅니다. 실제 군집은 반복 계산 후 결정됩니다.

K-means는 K값뿐 아니라 초기 중심점을 어디에 설정하는지에 따라 서로 다른 결과에 수렴할 수 있습니다.

장점: 간단한 구현장점: 비교적 빠른 속도한계: 초기화에 민감한계: 군집 해석 필요

시험 주의: 초기 중심점에 따른 차이는 ‘항상’ 발생하는 것이 아니라 ‘발생할 수 있다’는 뜻입니다.

① K값 결정

→

② 초기 중심점 선택

→

③ 가까운 군집 배정

→

④ 중심점 갱신

→

⑤ 수렴까지 반복

QUESTION 03 / 계층적 군집화

개별 개체들을 순차적으로 통합하는 알고리즘은?

정답 ⓒ 계층적 군집화

개별 개체들을 유사성·거리를 기준으로 순차적으로 결합하는 알고리즘은?

보기	알고리즘	특징
a	PCA	차원 축소
b	DBSCAN	밀도 기반 군집화
c	계층적 군집화	단계별 병합·분할
d	K-means	중심점 기반 군집화
e	K-NN	가까운 이웃으로 예측

✔ 정답: c. 계층적 군집화 알고리즘

문제의 핵심 단서는 ‘개별 개체’ + ‘순차적으로 통합’입니다. 이는 정확히 응집형(Agglomerative) 계층적 군집화를 설명합니다.

응집형 계층적 군집화 시각화

작은 군집부터 가까운 군집을 합쳐 최종적으로 하나의 군집에 도달합니다.

응집형 (Agglomerative)
개별 개체 → 병합 → 큰 군집

분할형 (Divisive)
전체 집단 → 분할 → 작은 군집

계층 구조는 덴드로그램(Dendrogram)으로 표현할 수 있습니다.

합쳐지는 순서와 결합 높이(거리 또는 비유사도)를 파악할 수 있습니다.

문제 풀이 키워드

‘순차적 결합’ → 응집형 계층적 군집화
‘전체 군집을 나눔’ → 분할형 계층적 군집화
‘초기 중심점 K’ → K-means
‘밀도와 잡음’ → DBSCAN

FINAL REVIEW / 실전 복습

세 알고리즘 비교 & 3문제 확인

학습 마무리

시험 직전 핵심 비교표

구분	K-means	계층적 군집분석	DBSCAN
학습 유형	비지도	비지도	비지도
핵심 원리	중심점 기준 배정	단계적 병합·분할	데이터 밀도 기준
군집 수	K 사전 지정	덴드로그램 등으로 선택	K 사전 지정 불필요
대표 특징	간단·빠름, 초기화 민감	계층구조 확인 가능	잡음·이상치 탐지
출제 키워드	K · 중심점 · 평균	순차적 결합 · 덴드로그램	밀도 · ε · MinPts

문제 A

군집 수 K를 미리 정하는 알고리즘은?

① DBSCAN② K-means③ PCA

답을 선택하세요.

문제 B

K-means의 올바른 설명은?

① 항상 같은 결과가 나온다② 군집 의미를 자동으로 설명한다③ 초기 중심점에 민감할 수 있다

답을 선택하세요.

문제 C

작은 군집을 반복해서 합치는 방법은?

① 응집형 계층적 군집화② K-NN③ 로지스틱 회귀

답을 선택하세요.

최종 암기 3문장

K-means = K를 미리 정하고 중심점으로 묶는다.계층적 군집화 = 작은 군집을 합치거나 큰 군집을 나눈다.DBSCAN = 밀도로 묶는다.