시계열 비지도학습의 유의점 & 해석방법

군집화(*클러스터링) Algorithm 

•  k means Clustering 
  - 파라미터 : k
• Agglomerative Clustering(병합군집)
  - 파라미터 : eps 
  
  

일반적인 벡터의 유사도 측정 

• 유클리드 거리(Euclidean distance 또는 L2 distance) 
  - 장점 : 계산이 용이하고 연산속도가 빠르다. 
  - 단점
  1. 동일한 시간 구간끼리 비교하게 되면, 신호의 떨림과 움직임이 심해질수록 어긋나게 된다.
  2. 길이가 다른 시계열 분석 불가.

DTW(동적 시간 워핑)을 이용한 시계열 유사도 측정 

• 장점 
  1. 서로 다른 길이의 시계도 유사도 분석 가능
  2. 다차원 시계열 데이터의 분석 가능
• 단점 
  1. 연산비용이 크다.