[ADsP] 데이터분석 준전문가 기출유형 모의고사 9회 해설 페이지

언어·문자로 기술되는 것은 정성 데이터이고, 수치·도형·기호로 표현되는 것이 정량 데이터이다.
데이터는 객관적 사실(존재적 특성)이면서 추론·예측·전망의 근거(당위적 특성)라는 두 면을 함께 가진다.
존재적 특성: 있는 그대로의 객관적 사실을 뜻하므로 옳다.
당위적 특성: 추론·추정의 근거로 쓰인다는 뜻이므로 옳다.
정성 데이터: 형태와 형식이 정해지지 않아 저장·검색·분석에 비용이 크므로 옳다.

데이터베이스 설계는 요구사항 분석 → 개념적 설계 → 논리적 설계 → 물리적 설계 순으로 진행한다.
요구 수집(라) 뒤 E-R 다이어그램(나)으로 개념 모델을 만들고, 이를 관계형 스키마로 변환·정규화(다)한 다음 저장 구조와 인덱스(가)를 정한다.
스키마 변환을 E-R 모델링보다 앞에 두면 변환할 개념 모델이 없다.
E-R 다이어그램은 요구사항을 수집한 뒤에 그릴 수 있다.
인덱스 등 저장 구조는 DBMS 종속적인 마지막 물리적 설계에서 정한다.

회선을 임차해 전송 외에 축적·가공·변환 같은 부가 서비스를 더한 통신망은 부가가치 통신망(VAN)이다.
VAN은 EDI가 오가는 중계 기반이 되므로 둘을 구분해야 한다.
전자문서 교환: 표준 양식의 문서를 기업 간 전자적으로 주고받는 방식 자체이다.
지능형 교통 체계: 교통 정보를 수집·제공해 교통 흐름을 개선하는 체계이다.
지리 정보 시스템: 공간 위치 정보를 저장·분석하는 시스템이다.

가장 넓은 범위의 정의는 데이터와 처리 기술에 더해 이를 다루는 인재와 조직의 변화까지 포함한다.
좁은 범위는 3V를 가진 데이터 자체, 중간 범위는 가치 추출 기술과 아키텍처까지로 본다.
처리하기 어려운 대규모 데이터: 데이터 자체만 보는 좁은 범위이다.
처리 기술과 아키텍처: 기술까지 포함한 중간 범위이다.
정형 데이터만의 웨어하우스: 다양성(Variety)을 갖춘 빅데이터 정의와 맞지 않는다.

기업은 혁신·경쟁력 강화·생산성 향상을 얻고, 개인도 SNS 분석처럼 목적에 맞게 빅데이터를 쓰는 활용 주체가 된다.
정부의 영향은 환경 탐색·상황 분석·미래 대응이며, 기회비용 절약은 개인 측면의 영향이다.
ㄴ: 기회비용 절약을 정부 영향으로 잘못 배정했다.
ㄷ: 정치인·가수처럼 개인도 빅데이터를 직접 활용한다.
ㄱ과 ㄹ 외의 조합은 틀린 진술을 하나 이상 포함한다.

독립변수의 변화가 연속형 종속변수에 미치는 크기를 추정하는 것은 회귀분석(Regression Analysis)이다.
여기서 연령·가구원 수·사용량은 독립변수, 월 납부 요금은 종속변수가 된다.
감정 분석: 문장·리뷰에 담긴 긍정·부정 감정을 판별한다.
유형 분석: 대상을 정해진 범주로 분류할 때 쓴다.
연관규칙 학습: 함께 발생하는 항목 간 관계를 찾는다.

(가)는 사생활 침해, (나)는 책임 원칙 훼손, (다)는 데이터 오용이므로 통제 방안은 차례로 동의에서 책임으로, 결과 기반 책임, 알고리즘 접근 허용이다.
사생활 침해는 개인 동의 대신 사용자 책임을 강화하고, 데이터 오용은 알고리즈미스트(Algorithmist)가 피해 구제를 돕는다.
(가)에 결과 기반 책임을 붙이면 예측 처벌 문제와 혼동한 것이다.
(나)에 알고리즘 접근 허용을 붙이면 데이터 오용 대책과 혼동한 것이다.
(가)에 알고리즘 접근 허용을 붙이면 사생활 침해 대책을 놓친 것이다.

싸이월드는 분석 도구와 데이터를 갖추고도 방문자 수 같은 지표를 관리하는 일차원적 분석에 머물러 전략적 통찰을 얻지 못했다.
이 사례는 분석의 양이나 도구보다 사업 환경 변화를 읽는 전략 인사이트가 중요함을 보여 준다.
저장 용량 부족: 장비 한계가 쇠퇴 원인으로 꼽히지 않는다.
분석 도구 미도입: OLAP 같은 분석 도구를 이미 활용하고 있었다.
데이터 미수집: 사용자 데이터는 충분히 쌓여 있었다.

업무 구조와 사업 목표를 이해해 분석을 실제 문제에 연결하는 능력은 비즈니스 분석(Business Analysis) 역량이다.
가트너는 데이터 사이언티스트에게 데이터 관리·분석 모델링·비즈니스 분석·소프트 스킬을 요구한다.
데이터 관리: 데이터 수집·저장·처리 능력으로 사례의 문제와 무관하다.
분석 모델링: 정확도 높은 모형을 만들었으므로 갖춘 역량이다.
소프트 스킬: 소통·스토리텔링 문제가 아니라 업무 이해 부족이 핵심이다.

(나)는 디지털화(Digitalization), (가)는 연결(Connection), (다)는 에이전시(Agency) 단계이므로 (나) → (가) → (다)이다.
아날로그를 디지털로 바꾸던 시대에서 디지털 정보를 잇는 시대를 거쳐, 복잡해진 연결을 대신 관리해 주는 시대로 옮겨 간다.
검색 엔진의 연결 가치를 맨 앞에 두면 디지털화 단계를 건너뛴 것이다.
연결 관리 서비스는 연결 단계 이후의 에이전시 단계이다.
운영체제·문서 소프트웨어는 마지막이 아니라 첫 단계의 사례이다.

분석 결과가 현장에 정착하도록 사용자 교육과 변화 관리를 미리 계획하는 것은 장애 요소 대비에 해당한다.
장애 요소 계획에는 정확도보다 이해도를 고려한 결과 설계, 일회성이 아닌 지속 운영, 실행 비용 검토도 포함된다.
데이터 확보 가능성 확인: 가용 데이터 고려 사항이다.
유사 분석 시나리오 활용: 적절한 유스케이스 탐색에 해당한다.
분석 대상 인지 여부: 분석 주제 유형을 나누는 기준이다.

위험 대응은 회피(Avoid)·전이(Transfer)·완화(Mitigate)·수용(Accept)의 4가지이며, (가)~(라)는 차례로 회피·전이·완화·수용이다.
위험의 원인인 범위 자체를 없애면 회피, 책임과 손실을 제3자에게 넘기면 전이, 발생 가능성·영향을 줄이면 완화이다. 영향이 작아 조치 없이 받아들이면 수용이다.
전이, 회피로 시작하는 조합: 범위 제외와 외부 계약을 뒤바꿨다.
회피, 완화, 전이 순 조합: 외부 위탁과 점검 절차 추가를 뒤바꿨다.
수용으로 시작하는 조합: 범위 제외는 받아들임이 아니라 회피이다.

(가)는 방법론을 개인 노하우로 흡수하는 내재화, (나)는 암묵지를 문서로 바꾸는 형식화, (다)는 형식지를 엮어 방법론으로 만드는 체계화이다.
방법론은 암묵지 → 형식화 → 형식지 → 체계화 → 방법론 → 내재화의 순환으로 생성·발전한다.
(가)를 형식화로 보면 체득과 문서화를 혼동한 것이다.
(나)를 체계화로 보면 문서화 이전과 이후를 뒤바꾼 것이다.
(다)를 형식화로 보면 표준 절차로 엮는 체계화를 놓친 것이다.

인구 구조·가구 형태·문화 같은 변화는 STEEP 중 사회(Social) 영역에 해당한다.
STEEP은 거시적 관점에서 사회·기술·경제·환경·정치 영역의 요인을 살펴 분석 기회를 찾는 틀이다.
기술 영역: 신기술의 등장과 기술 변화를 살핀다.
경제 영역: 산업 구조·금리·물가 같은 경제 요인을 살핀다.
정치 영역: 규제·정책 같은 정치적 요인을 살핀다.

데이터 및 기술적 타당성은 데이터 존재 여부, 분석 시스템 환경, 분석 역량 확보 방안을 검토한다.
타당성 검토는 이와 함께 비용 대비 편익을 따지는 경제적 타당성으로 이루어진다.
비용과 편익 비교: 경제적 타당성 검토 항목이다.
전략적 중요도와 목표 가치: 우선순위 평가의 시급성 기준이다.
시장 점유율 비교: 해결 방안의 타당성 검토 항목이 아니다.

정해진 기간 안에 결과를 내도록 일정을 끊어 관리하는 타임 박싱(Time Boxing)은 시간 영역의 활동이다.
자원 영역은 고급 분석·빅데이터 아키텍처 전문 인력을 미리 확보하는 것을 관리한다.
품질: 결과 품질 목표를 정하고 통제와 보증으로 나눠 관리한다.
의사소통: 전문적인 분석 결과를 모든 이해관계자가 공유하게 한다.
원가: 외부 데이터와 상용 도구의 비용을 미리 따져야 한다.

가중 합산 점수는 C가 4.3점으로 가장 높으므로 과제 C를 우선한다.
$S=0.5x_1+0.3x_2+0.2x_3$, C: $2.5+1.2+0.6=4.3$, B: $1.5+1.5+1.0=4.0$, A 3.5, D 3.3이다.
과제 B 4.3점: B의 단순 평균(약 4.3)을 가중 점수로 착각한 값이다.
과제 C 4.0점: C의 단순 평균으로 가중치를 무시한 값이다.
과제 B 4.0점: B의 가중 점수는 맞지만 C보다 낮다.

내부 데이터에서 외부 데이터로 쓰는 범위를 정하는 것은 분석 데이터 적용 수준의 판단이다.
적용 범위·방식은 업무 내재화 적용 수준, 분석 데이터 적용 수준, 기술 적용 수준을 함께 고려해 정한다.
업무 내재화 적용 수준: 분석 결과를 업무에 얼마나 녹일지의 판단이다.
기술 적용 수준: 분석 기술의 범위와 방식을 정하는 판단이다.
실행 용이성: 적용 범위가 아니라 우선순위 고려 요소이다.

분석 교육의 목표는 툴 사용법 습득이 아니라 분석 기획자의 데이터 분석 역량을 확보·강화하는 것이다.
업무 수행자 전반이 데이터를 분석·활용하는 문화를 만들기 위해 교육과 변화 관리를 도입 초기부터 함께 계획한다.
툴 교육 집중: 도구 조작은 수단일 뿐 교육의 목표가 아니다.
전담 조직 한정: 현업 업무 수행자까지 교육 대상에 포함한다.
구축 뒤 시작: 변화 관리는 도입 초기부터 함께 진행한다.

전담 조직 없이 각 부서가 직접 분석하는 구조는 기능형이다.
기능형은 전사적 핵심 분석이 어렵고 부서 업무에 국한된 분석에 머무르기 쉽다.
집중형: 별도 전담 조직이 전사 분석 업무를 우선순위에 따라 수행한다.
분산형: 분석 전문 인력을 현업 부서에 배치해 함께 수행한다.
프로젝트형: 분석 조직 구조 세 유형에 속하지 않는다.

일부 극단값에 크게 흔들리지 않는 요약을 고른 것은 저항성(Resistance) 원칙이다.
평균은 이상값 하나로도 크게 움직이지만 중앙값과 사분위수는 순서에 기반해 영향이 작다.
재표현: 로그 등으로 변수를 변환해 해석을 쉽게 하는 일
잔차 해석: 모형 적합 후 남은 차이를 살피는 일
현시성: 그래프로 자료 구조를 시각화하는 일

점으로 시작하는 .cfg 는 기본 ls() 에서 숨겨지므로 v 하나만 보여 1, all.names = TRUE 에서는 2, 지운 w 는 FALSE 이다.
rm(w) 로 w 가 작업공간에서 사라졌으므로 exists("w") 는 FALSE 를 돌려준다.
2, 2, FALSE: 숨은 객체 .cfg 도 기본 ls() 에 나온다고 본 값
1, 3, TRUE: rm 으로 지운 w 가 남아 있다고 본 값
2, 3, FALSE: 숨김 규칙과 삭제를 모두 잘못 적용한 값

행렬은 모든 원소가 같은 형이어야 하므로 숫자 열이 문자형으로 강제 변환되고, 데이터프레임과 리스트는 열·원소마다 형을 따로 유지한다.
그래서 m[, "a"] 는 character(문자형), d$a 와 l$a 는 integer(정수형) 이다.
정수형 셋: 행렬이 서로 다른 형을 함께 담는다고 본 오류
문자형 둘: 데이터프레임 열도 강제 변환된다고 본 오류
리스트: $ 추출은 리스트가 아닌 원소 자체를 돌려준다

levels(tn2) 출력이 "H" "L" "M" 이므로 문자로 바꿨다가 다시 만든 factor 는 수준을 알파벳순으로 재정렬해 첫 수준이 H 이다.
그 결과 마지막 줄처럼 L·M·H 의 정수 코드가 2, 3, 1 로 바뀐다.
tn 수준: levels(tn) 출력이 L, M, H 로 알파벳순이 아니다
L 코드: tn 에서는 1, tn2 에서는 2 로 서로 다르다
관측치 수: table 출력에서 세 코드 모두 18개로 같다

aggregate 출력의 Freq 열에서 Crew 가 885 로 1st·2nd·3rd 보다 크므로 승무원 인원이 가장 많다.
aggregate 는 집단별 요약을 데이터프레임으로, tapply 는 이름 붙은 배열(array)로 돌려준다.
Child·Adult: tapply 출력이 109 와 2092 로 Adult 가 훨씬 많다
행 수: Class 수준 4개만큼 4행으로 요약된다
tapply 클래스: 마지막 줄 출력이 array 이다

str 에서 관측치 54개, wool 수준 2개, tension 수준 3개이므로 조합 하나에 9개씩이고, 범위는 최댓값에서 최솟값을 뺀 60 이다.
$54 \div (2 \times 3) = 9$, $Range = 70 - 10 = 60$
18: tension 수준 3개로만 나눈 값이다
15.75: 3rd Qu.−1st Qu. 인 사분위범위이다
70: 범위가 아니라 최댓값만 읽은 값이다

모집단을 학교라는 집단으로 나누고 일부 집단을 무작위로 골라 그 안의 구성원을 모두 조사했으므로 군집 추출이다.
군집 추출은 집단 내부는 이질적이고 집단끼리는 비슷할 때 효율적이며, 조사 비용을 줄이는 데 유리하다.
단순 무작위: 학생 개인을 전체 목록에서 직접 무작위로 뽑는다
계통 추출: 시작점 이후 일정 간격으로 뽑는다
층화 추출: 모든 층에서 일부씩 뽑으며 층 일부만 고르지 않는다

일치쌍과 불일치쌍의 개수 차이로 순위 연관성을 재는 지표는 켄달의 타우(τ)이다.
서열 자료에 쓰는 순위상관이며, R 에서는 cor(x, y, method = "kendall") 로 구한다.
피어슨: 원자료 값으로 선형 관계를 측정한다
스피어만: 순위로 바꾼 뒤 피어슨 공식을 적용한다
공분산: 단위에 의존하며 순위 쌍 비교와 무관하다

합이 100 이라 평균은 10, 가운데 두 값 5 와 6 의 평균인 중앙값은 5.5, 양끝 1개씩 버린 10% 절사평균은 6 이다.
$\bar{x} = \frac{100}{10} = 10$, $\frac{3+4+5+5+6+7+8+10}{8} = \frac{48}{8} = 6$
10, 5, 6: 중앙값을 다섯째 값 하나로 잡은 오류
10, 5.5, 5.5: 절사평균을 중앙값과 같다고 본 오류
6, 5.5, 10: 평균과 절사평균을 서로 바꾼 값이다

윌콕슨 순위합 검정의 p-value 가 0.2531 로 0.05 보다 커서 wool 간 위치 차이는 유의하지 않다.
Shapiro-Wilk 의 p-value(0.0001581)가 작아 정규성을 기각하므로 정규성 가정이 없는 비모수 검정을 쓴 것이다.
정규분포: Shapiro-Wilk p값이 0.05 보다 작아 정규성이 기각된다
윌콕슨: 순위를 이용해 정규성 가정이 필요 없다
W: 순위합에 기반한 검정통계량이지 평균 차이가 아니다

추가와 제거를 단계마다 함께 검토하는 방법은 단계적 선택법(Stepwise)이다.
전진 선택법은 한 번 들어간 변수를 빼지 않는 한계가 있어, 이를 보완해 제거 단계를 결합한 것이다.
전진 선택법: 추가만 하고 들어간 변수는 다시 빼지 않는다
후진 제거법: 전체 변수에서 시작해 하나씩 제거만 한다
모든 조합법: 가능한 모든 변수 조합을 비교한다

로그-로그 모형에서 계수는 탄력성이므로 log(Girth) 의 Estimate 1.98265 는 Height 를 고정한 채 Girth 가 1% 늘 때 Volume 이 약 2% 늘어남을 뜻한다.
회귀식은 $\log(Volume) = -6.632 + 1.983\log(Girth) + 1.117\log(Height)$ 이고 Multiple R-squared 는 0.9777 이다.
Height: Pr(>|t|) 7.81e-06 으로 0.05 보다 작아 유의하다
결정계수: 0.9777 로 0.9 를 넘는다
절편: (Intercept) Estimate 가 -6.63162 로 음수이다

x=4 이면 로짓이 0 이므로 오즈가 1, 확률은 0.5 이고, x 가 2 늘면 로짓이 1 늘어 오즈는 $e^{1}$ ≈ 2.72배가 된다.
$-2+0.5 \times 4 = 0 \Rightarrow p = \frac{e^{0}}{1+e^{0}} = 0.5$, $e^{0.5 \times 2} = e^{1} \approx 2.72$
1.65배: x 가 1 증가할 때의 오즈 배수이다
0: 확률이 아니라 로짓 값을 그대로 쓴 것이다
0.73: x=6 일 때의 확률이다

(다)는 평균은 일정하나 시간이 갈수록 변동 폭이 커져 분산 안정화 변환이 필요하고, (나)는 평균·분산이 일정한 정상 시계열이다.
정상성은 평균과 분산이 일정하고 공분산이 시차에만 의존하는 성질로, 평균이 떠도는 계열은 차분, 분산이 변하는 계열은 변환으로 다룬다.
(가): 수준이 무작위로 떠도는 확률보행으로 차분이 필요하다
(가)를 정상으로 본 것은 평균이 일정하지 않아 틀렸다
(라): 일정 주기로 반복되는 계절 패턴이라 계절 차분 대상이다

계절 진폭이 수준에 비례해 커지면 성분을 곱으로 결합하는 승법 모형이 적절하다.
가법 모형은 계절 폭이 수준과 무관하게 일정할 때 쓰며, 승법 구조는 로그 변환하면 가법 구조로 바꿀 수 있다.
가법 모형: 계절 변동 폭이 일정할 때에 맞다
1차 차분: 추세를 없애는 정상화 방법이지 성분 분해가 아니다
이동평균: 순환요인만으로는 계절 성분을 설명하지 못한다

스트레스는 작을수록 적합이 좋고 0.05 이하면 매우 좋은 수준이므로 3차원 해(0.04)가 매우 잘 맞는다.
0.20 이상인 2차원 해는 적합이 나쁜 편이며, 순위 자료는 비계량 MDS로 분석할 수 있다.
2차원 해: 스트레스 0.21 이 더 커서 적합이 나쁘다
서열 자료: 순위 정보만 보존하는 비계량 MDS 로 분석한다
좌표축: 회전해도 거리가 같아 축 자체에 고정된 의미는 없다

마지막 줄 고유값(sdev²) 가운데 1 이상은 3.200 과 1.188 뿐이므로 카이저 기준으로는 주성분 2개를 고른다.
Cumulative Proportion 이 PC2 에서 0.7313, PC3 에서 0.8726 이라 누적 80% 기준이면 3개가 필요하다.
80% 기준: PC2 까지 0.7313 이라 2개로는 부족하다
PC2 고유값: 1.188 로 1 을 넘는다
PC1: Proportion of Variance 가 0.5333 으로 60% 에 못 미친다

주성분은 서로 직교하도록 만들어지므로 주성분 간 상관은 0이며, 높은 상관을 가진다는 설명은 틀렸다.
Proportion of Variance 는 각 고유값을 고유값 합으로 나눈 값이고, rotation 의 각 열은 단위 벡터이다.
부호: 고유벡터는 부호가 임의라 전체를 뒤집어도 같은 해석이다
기여율: 해당 고유값을 전체 고유값 합으로 나눈 비율이다
제곱합 1: 적재 벡터는 길이 1 로 정규화된다

훈련 오차와 검증 오차가 함께 큰 상태는 과소적합(Underfitting)이다.
모형이 지나치게 단순할 때 생기며, 변수 추가나 복잡도를 높여 개선한다.
과적합: 훈련 오차는 작고 검증 오차만 큰 상태이다
일반화: 새 자료에서도 성능이 유지되는 바람직한 성질이다
정칙화: 벌점으로 복잡도를 줄여 과적합을 막는 기법이다

k-NN 은 정답 라벨이 있는 이웃으로 분류하는 지도 학습이고, Apriori 는 라벨 없이 규칙을 찾는 비지도 학습이므로 ㄴ과 ㄹ이 잘못되었다.
학습 유형은 목표변수(라벨)를 쓰는지로 가른다.
ㄷ: SOM 은 라벨 없이 자료를 묶는 비지도 기법이다
ㄱ: 로지스틱 회귀는 범주형 목표변수를 쓰는 지도 기법이다
ㅁ: SVM 은 라벨로 경계를 학습하는 지도 기법이다

층화 분할로 훈련 양성은 140건이 되고, 비양성을 1:4로 줄이면 훈련 데이터는 700건, 시험 양성은 그대로 60건이다.
$10000 \times 0.02 = 200$, 훈련 양성 $200 \times 0.7 = 140$, 비양성 $140 \times 4 = 560$, $140 + 560 = 700$, 시험 양성 $200 - 140 = 60$
1,000건, 60건: 분할 전 전체 양성 200건에 1:4를 적용했다.
700건, 140건: 시험 양성 자리에 훈련 양성 수를 넣었다.
560건, 60건: 훈련 건수에서 양성 140건을 빠뜨렸다.

행이 예측, 열이 실제이므로 실제 Yes 열 기준 재현율은 344/711 ≈ 0.484 로 0.5 미만이다.
$Recall = \frac{344}{344+367} \approx 0.484$, 정밀도는 예측 Yes 행 기준 $\frac{344}{470} \approx 0.732$ 이다.
정밀도: 0.732 로 0.5 를 넘는다
정확도: $\frac{1364+344}{2201} \approx 0.776$ 으로 0.8 미만이다
특이도: 1364/1490 ≈ 0.915 로 재현율보다 높다

임계값을 낮추면 양성으로 판정되는 관측치가 늘어 민감도는 높아지고 특이도는 낮아진다.
임계값은 적합이 끝난 뒤 예측 확률을 범주로 바꾸는 기준일 뿐이라 계수와 확률은 그대로이다.
함께 상승: 둘은 임계값에 대해 서로 상충 관계이다
회귀계수: 최대우도 추정 결과는 임계값과 무관하다
예측 확률: 시그모이드 출력은 바뀌지 않고 판정만 바뀐다

각 분할은 한 변수의 기준값으로 나누어 축에 수직인 경계만 만들므로, 대각선 경계는 여러 번의 계단식 분할로만 근사할 수 있다.
그래서 두 변수의 결합이 경계를 이루는 문제에서는 나무가 깊어지고 경계 근처 오분류가 생기기 쉽다.
선형성: 분할 규칙 기반이라 선형 가정이 필요 없다
이상값: 순서 기준 분할이라 극단값 영향이 작은 편이다
불안정성: 표본 변화에 따라 분할 구조가 쉽게 바뀐다

GBM 은 앞선 모형이 설명하지 못한 부분, 즉 손실 함수의 음의 기울기(잔차)를 다음 학습기가 학습하도록 순차적으로 더해 간다.
제곱오차 손실에서는 음의 기울기가 곧 잔차이며, 학습률로 각 단계 기여를 줄여 과적합을 늦춘다.
부트스트랩 표본: 배깅이 각 모형을 독립적으로 만드는 방식이다
변수 무작위 선택: 랜덤 포레스트의 분할 방식이다
원래 목표값: 매 단계 같은 목표를 쓰면 순차 보정이 안 된다

nnet 의 decay 는 가중치 감소(weight decay) 벌점으로 가중치가 커지는 것을 막아 과적합을 줄인다.
신경망은 오차 곡면이 복잡해 국소 최솟값에 머물 수 있으므로 초기값을 바꿔 여러 번 적합하기도 한다.
은닉 노드: 많아질수록 모형이 복잡해져 과적합 위험이 커진다
전역 최솟값: 초기값에 따라 국소해에 수렴할 수 있다
해석: 가중치가 얽혀 있어 변수 영향 해석이 어렵다

가장 마지막(가장 높은 곳)에서 합쳐지는 두 가지가 {a, b, c} 와 {d, e, f, g, h} 이므로 d 와 같은 군집은 e, f, g, h 이다.
완전연결법은 두 군집에서 가장 먼 점 사이 거리를 군집 간 거리로 쓰며, 두 군집으로 자를 때는 마지막 병합 직전 높이에서 자른다.
e, f: 세 군집으로 잘랐을 때의 구성이다
a, b, c 포함: {a, b, c} 는 마지막 단계에서야 합류한다
a, b 포함: 병합 순서를 무시한 조합이다

총제곱합 232 중 군집 내 제곱합이 16 이므로 군집 간 제곱합은 216, 비율은 93.1% 이다.
$TSS = \sum (x-10)^2 = 232$, $WSS = 8+8 = 16$, $\frac{BSS}{TSS} = \frac{232-16}{232} \approx 0.931$
6.9%: WSS/TSS 로 분자를 뒤집은 값이다
96.6%: 한 군집의 WSS 8 만 뺀 값이다
77.8%: 제곱 대신 절댓값 편차를 쓴 값이다

A→B 는 신뢰도 0.75·향상도 1.5, C→A 는 신뢰도 0.8·향상도 2.0 으로 두 기준을 모두 만족한다.
$conf(A \to B) = \frac{0.30}{0.40} = 0.75$, $lift = \frac{0.75}{0.50} = 1.5$, $conf(C \to A) = \frac{0.16}{0.20} = 0.8$, $lift = \frac{0.8}{0.40} = 2.0$
A→C: 신뢰도 0.16/0.40 = 0.4 로 최소 신뢰도 미달이다
A→C 와 C→A 는 향상도는 같아도 신뢰도는 방향마다 다르다
B→C: 신뢰도 0.12, 향상도 0.6 으로 둘 다 미달이다

FP-Growth 는 첫 스캔으로 항목 빈도를 세고 두 번째 스캔으로 FP-Tree 를 만들어 데이터베이스를 두 번만 읽는다.
각 거래의 빈발 항목을 지지도 내림차순으로 정렬해 삽입하므로 공통 접두 경로가 공유되어 트리가 압축된다.
오름차순: 내림차순이어야 경로 공유가 많아진다
후보 집합: 후보 생성 없이 트리에서 직접 패턴을 찾는다
최소 지지도: 빈발 여부 판단에 여전히 필요하다