카테고리 339 [Cluster Analysis] Density-Based Clustering Density-Based Clustering 일정 이상의 density를 가지는 점들을 같은 cluster로 취급한다. Distance-based가 아닌 density-based이다. 특징 Shape of cluster 어떤 모양의 cluster이든 발견할 수 있다. K-Means는 긴 것은 자르는 경향이 있고 원 모양대로 묶인다. Density-based는 별모양이든 반원 모양이든 모양대로 묶을 수 있다. Robust Noise에 견딜 수 있다. K-means는 noise에 의해 중심이 이동되기 때문에 noise에 영향을 받는다. 1 DB scan 1번의 scan으로 clustering이 가능하기 때문에 효율적이다. Density threshold 묶을 density의 threshold를 정해주어야 한.. 2022. 6. 12. [Hierarchical Clustering] CHAMELEON CHAMELEON Dynamic modeling을 이용한 bottom-up 방식의 hierarchical clustering method이다. 두 cluster 간 interconnectivity와 closeness가 상대적으로 크면 두 cluster를 merge한다. 이를 통해 주변 상황에 맞게(dynamic하게) merge 할 수 있다. 단, 몇 개의 cluster로 나눌 것인지 미리 정해주어야 한다. CHAMELEON은 성능은 괜찮지만 scalability가 좋지 않다. Relative Interconnectivity edge의 수를 기준으로 판단 두 그룹 간 edge cut의 수 / 두 개 각각의 edge cut 수의 평균 $RI(C_i, C_j) = \frac{|EC_{\{ C_i, C_j \}.. 2022. 6. 12. [CNN] Pooling Pooling Convolution network에는 주로 pooling layer가 포함된다. Pooling은 정해진 window에서 특정 행위를 하는 layer이다. Activation map을 재가공하는 역할을 한다. 종류 max pooling 가정 : 가장 큰 값이 중요한 역할을 한다. 기능 : window 내에서 max 값을 뽑아서 사용한다. average pooling 가정 : 평균(통계)이 중요하다고 본다. 기능 : window 내의 평균을 구해서 사용한다. Max Pooling vs Average Pooling Max pooling과 average pooling은 가정이 다르기 때문에 문제마다 어떤 것이 좋을지는 다르다. 일반적으로 max pooling이 좀 더 선호되고 끝단으로 갈수록 a.. 2022. 6. 7. [CNN] CNN의 구조와 Notation CNN의 구조 CNN은 크게 3가지 종류의 layer로 구성된다. CONV : Convolution POOL : Pooling FC : Fully connected = dense layer = 퍼셉트론 레이어 CNN의 Notation Input과 filter의 channel은 동일해야 한다. Output의 channel은 filter의 수(unit의 수)에 의해 결정된다. 한 레이어에서의 파라미터 수 한 레이어에서의 파라미터 수 = # of weight + # of bias 3*3*3 필터가 10개 있을 경우 한 레이어에서의 파라미터 수는 (3*3*3) * 10 + 10 이 된다. (3*3*3) → filter * 10 → unit 수 + 10 → bias 수 2022. 6. 6. [CNN] Local Connectivity & Weight Sharing CNN의 주요 특징 : Local Connectivity, Weight Sharing Connectivity와 parameter sharing을 통해 파라미터의 수를 굉장히 줄일 수 있다. 따라서 같은 수의 파라미터를 사용함에도 더 깊은 네트워크를 구성할 수 있다. 더 깊은 네트워크의 구성은 더 많은 non-linear을 만날 수 있음을 의미한다. 이를 통해 더 복잡한 기능을 구현할 수 있다. CNN을 사용하는 주된 이유이기도 하다. Local Connectivity 모든 데이터에 대해 input으로 받아들이지 않고 인접한 데이터에 대해서만 input으로 받아들인다. 이를 통해 각 output은 모든 input을 고려하지 않고 적은 수의 input에 의해서만 결정될 수 있다. 아래 상황에서 global .. 2022. 6. 6. 이전 1 ··· 10 11 12 13 14 15 16 ··· 68 다음
