클러스터링 알고리즘 clustering-algorithms

클러스터링 알고리즘은 유사성에 따라 데이터 포인트를 구별되는 클러스터로 그룹화하므로 데이터 내의 패턴을 찾아내는 비지도 학습을 가능하게 합니다. 클러스터링 알고리즘을 만들려면 OPTIONS 절의 type 매개 변수를 사용하여 모델 교육에 사용할 알고리즘을 지정하십시오. 그런 다음 관련 매개변수를 키-값 쌍으로 정의하여 모델을 미세 조정합니다.

K-Means kmeans

K-Means은(는) 데이터 포인트를 사전 정의된 수의 클러스터(k)로 분할하는 클러스터링 알고리즘입니다. 단순성과 효율성으로 인해 클러스터링에 가장 일반적으로 사용되는 알고리즘 중 하나이다.

매개 변수

K-Means을(를) 사용하는 경우 OPTIONS 절에 다음 매개 변수를 설정할 수 있습니다.

예

CREATE MODEL modelname
OPTIONS(
  type = 'kmeans',
  MAX_ITERATIONS = 30,
  NUM_CLUSTERS = 4
)
AS SELECT col1, col2, col3 FROM training-dataset;

Bisecting K-means bisecting-kmeans

Bisecting K-means은(는) 분할형(또는 "하향식") 접근 방식을 사용하는 계층적 클러스터링 알고리즘입니다. 모든 관찰은 단일 클러스터에서 시작되며, 계층 구조가 구축되면 재귀적으로 분할이 수행됩니다. Bisecting K-means은(는) 보통 K-means보다 빠를 수 있지만 일반적으로 다른 클러스터 결과를 생성합니다.

매개 변수

예

Create MODEL modelname OPTIONS(
  type = 'bisecting_kmeans',
) AS
  select col1, col2, col3 from training-dataset

Gaussian Mixture Model gaussian-mixture-model

Gaussian Mixture Model은 k개의 가우시안 하위 분포 중 하나에서 데이터 포인트를 각각 고유한 확률을 갖는 복합 분포를 나타냅니다. 이는 여러 가우시안 분포의 혼합물로부터 생성된다고 가정한 데이터 세트들을 모델링하는 데 사용된다.

매개 변수

예

Create MODEL modelname OPTIONS(
  type = 'gaussian_mixture',
) AS
  select col1, col2, col3 from training-dataset

Latent Dirichlet Allocation (LDA) latent-dirichlet-allocation

Latent Dirichlet Allocation (LDA)은 문서 컬렉션에서 기본 주제 구조를 캡처하는 확률론적 모델입니다. 단어, 주제, 문서 레이어가 있는 3단계 위계적인 베이지안 모형이다. LDA는 관찰된 문서와 함께 이러한 레이어를 사용하여 잠재적 주제 구조를 구축합니다.

매개 변수

예

Create MODEL modelname OPTIONS(
  type = 'lda',
) AS
  select col1, col2, col3 from training-dataset

다음 단계

이 문서를 읽고 나면 이제 다양한 클러스터링 알고리즘을 구성하고 사용하는 방법을 이해할 수 있습니다. 다음으로 분류 및 회귀에 대한 문서를 참조하여 다른 유형의 고급 통계 모델에 대해 알아보십시오.