2026 ADsP 분석 학습 5 | 군집·거리·중심·실루엣 비교 — 표·코드·풀이

학습 실습 · 직접 따라 하기

서로 떨어진 두 집단을 사용해 거리·중심·군집의 의미를 확인합니다. k=2로 적합한 뒤 군집 번호 자체보다 어떤 점들이 함께 묶이는지 비교합니다.

데이터·Python·R 풀이 파일 내려받기 (.zip)

실습 준비

• ZIP을 풀고 데이터 파일과 풀이 코드를 같은 폴더에 둡니다. 원본은 합성된 연습 데이터입니다.
• Python 풀이는 pandas·NumPy와 해당 코드의 scipy 또는 scikit-learn을 사용할 수 있는 환경에서 실행합니다. R 코드가 포함된 경우 base R로 실행할 수 있습니다.
• 먼저 작업 지시만 보고 풀고, 아래 해설에서 결과·분모·자료형을 대조합니다.
• 이 표에서 빈 값은 미입력입니다. 숫자 0이나 문자 NULL로 임의 치환하지 않습니다.

원본 표

작업 1. 거리

id1과id2,id1과id4의 유클리드 거리를 구하세요.

작업 2. 중심

1·2·3 집단과 4·5·6 집단의 평균 중심을 구하세요.

작업 3. 군집

K-means k=2를 적합해 소속을 비교하세요.

작업 4. 제곱합

위 중심의 군집 내 제곱거리 합을 구하세요.

작업 5. 실루엣

실루엣 점수와 개별 음수 값 여부를 확인하세요.

작업 6. 스케일

x만 100배 하면 같은 거리의 의미가 유지되는지 설명하세요.

전체 풀이 — Python

import pandas as pd
from sklearn.cluster import KMeans
from sklearn.metrics import silhouette_score
d=pd.read_csv("data.csv");x=d[["x","y"]]
m=KMeans(n_clusters=2,n_init=10,random_state=42).fit(x)
print(m.labels_,m.cluster_centers_,m.inertia_)
print(silhouette_score(x,m.labels_))

같은 계산 — R

d<-read.csv("data.csv");set.seed(42)
m<-kmeans(d[,c("x","y")],centers=2,nstart=10)
print(m$cluster);print(m$centers);print(m$tot.withinss)

제출 전 점검

• 요구한 열·행 수·순서·자료형이 맞는지 결과를 다시 읽습니다.
• 평균·분산·검정에서 분모와 보정 옵션을 확인합니다.
• 학습에서 정한 전처리를 검증·시험에 그대로 적용했는지 확인합니다.
• 설명 문장에서는 유의성과 효과 크기, 예측과 인과를 구분합니다.

범위 확인

2026년 학습 범위를 기준으로 구성했습니다. 시험 시행기관의 자격 안내·출제 기준에서 과목과 변경 공지를 확인할 수 있습니다.

예상 모의문제입니다.