음악 청취 데이터로 음악 취향 군집화

음악 취향을 이야기할 때 흔히 장르 이름을 쓰는데, 같은 장르를 좋아한다고 해서 실제로 듣는 곡이 비슷하지는 않다. 반대로 장르가 다른데도 재생 목록이 크게 겹치는 경우가 있다. 장르라는 이름표가 실제 듣는 습관을 잘 나타내지 못한다는 것이 출발점이었다.

그래서 사람들이 듣는 음악의 빠르기와 세기 같은 숫자만 가지고, 비슷한 사람끼리 몇 덩어리로 모이는지 찾아내는 모델을 만들고자 한다. 몇 덩어리인지도, 각 덩어리가 무엇인지도 미리 정하지 않는다.

• ■ 입력: 사람마다 자주 듣는 곡들의 평균 BPM과 평균 에너지(0~1) — 숫자 두 개
• ■ 출력: 군집 번호 하나 — 0, 1, 2 가운데 하나

모델이 내놓는 것은 번호뿐이다. 「힐링 음악파」나 「운동할 때 듣는 음악」 같은 이름은 모델 안에 없다. 번호가 붙은 뒤에 내가 각 덩어리의 평균값을 보고 이름을 지어 붙이는 것이다.

이 구별이 이 프로젝트에서 가장 중요하다. 모델이 찾아 준 것은 덩어리이고, 뜻을 붙인 것은 사람이다.

① 기계학습 유형: 비지도학습 — 군집 (k-평균)

모아 둔 데이터에는 「이 사람은 어느 취향」이라는 정답이 없다. 있을 수가 없다 — 그런 이름을 붙인 사람이 아무도 없기 때문이다. 정답 없이 비슷한 것끼리 묶어야 하므로 비지도학습의 군집을 쓴다.

다른 방법이 아닌 이유: 분류를 쓰려면 먼저 내가 취향 이름을 정하고 200명에게 하나씩 붙여야 하는데, 그 이름이 맞는지 확인할 방법이 없다. 그리고 그렇게 하면 내가 정한 답을 모델이 반복할 뿐이라 새로 알게 되는 것이 없다. 예측(회귀)은 숫자 하나를 맞히는 방법인데, 내가 알고 싶은 것은 숫자가 아니라 덩어리가 몇 개이고 어떻게 나뉘는가다.

② 구현 도구: 오렌지(Orange)

표 형태의 CSV를 그대로 읽어 들이고, k-Means 블록에서 k를 바꿔 가며 결과를 비교할 수 있다. 산점도에 군집을 색으로 칠해 주고, 단위가 다른 열을 같은 자로 맞추는 기능(Preprocess 블록의 Normalize Features)이 따로 있다는 점이 중요했다. 군집은 거리로 판단하므로 이 단계를 빠뜨리면 결과가 통째로 달라진다. 티처블머신은 사진·소리를 다루는 도구라 표 데이터에 맞지 않고, 코랩은 같은 일을 할 수 있지만 코드를 직접 써야 해서 이번 목적에는 과하다.

• • 출처: 공개 데이터 플랫폼에 올라온 음악 청취 기록 데이터셋 (누구인지 알 수 없게 처리된 자료, 이용 조건을 확인하고 내려받음)
• • 유형: 수치형 정형 데이터 (CSV, 특성 2개)
• • 수량: 200명 — 사람마다 자주 듣는 곡들의 평균값 한 줄
• • 범위: 평균 BPM 60~180, 평균 에너지 0~1
• • 없는 것: 취향 이름이 적힌 열이 없다. 맞힐 정답 칸이 없다는 뜻이다.

번호  | 평균 BPM | 평균 에너지
──────┼──────────┼────────────
 001  |    72    |    0.23
 002  |   168    |    0.91
 003  |   118    |    0.65
 004  |    85    |    0.31
 005  |   155    |    0.84
(이하 195행 생략 / 전체 200행)

실제 수행평가 때는 여기에 데이터셋 내려받기 화면 및 오렌지 CSV 불러오기 화면 스크린샷을 붙입니다.

■ k를 몇으로 할지 정한 근거

k를 2부터 5까지 바꿔 가며 같은 군집 안에서 점들이 얼마나 흩어져 있는지를 측정했다. 이 값은 k를 키우면 반드시 줄어들지만, 줄어드는 폭이 갑자기 작아지는 지점이 있다.

2에서 3으로 갈 때는 21.7이 줄었는데 3에서 4로 갈 때는 3.7밖에 줄지 않았다. 3 다음부터는 나눠도 별로 나아지지 않는다는 뜻이라 k=3으로 정했다.

■ 모델이 내놓은 것 — 군집 셋과 그 중심

• 군집 1 (78명): 중심 BPM 78 / 에너지 0.26
• 군집 2 (68명): 중심 BPM 120 / 에너지 0.67
• 군집 3 (54명): 중심 BPM 160 / 에너지 0.88

모델의 출력은 여기까지다. 번호와 중심 좌표, 그리고 각 사람이 어느 번호에 속하는지. 「느리고 잔잔한 쪽」, 「빠르고 힘 있는 쪽」 같은 말은 내가 평균값을 보고 붙인 이름이며 모델이 알려 준 것이 아니다.

실제 수행평가 때는 여기에 오렌지 k-Means 결과 및 Scatter Plot 화면 스크린샷을 붙입니다.

먼저 확인할 것: 군집에는 정답이 없으므로 「맞혔다」를 확인할 수 없다. 대신 배정이 납득할 만한지, 그리고 얼마나 안정적인지를 본다.

■ 테스트 1 — 중심에 가까운 사람 (BPM 76 / 에너지 0.24)

• 예상: 군집 1(느리고 잔잔한 쪽)에 들어갈 것
• 실제 출력: 군집 1, 중심까지 거리 0.03 — 아주 가깝다
• 예상대로였다. 이런 사람은 k를 바꿔도 대체로 같은 쪽에 남는다.

■ 테스트 2 — 경계에 놓인 사람 (BPM 98 / 에너지 0.44)

• 예상: 판단하기 어려움
• 실제 출력: 군집 1 — 다만 군집 1까지 0.25, 군집 2까지 0.29로 차이가 0.04밖에 되지 않는다.
• k를 4로 바꿔 다시 실행하자 이 사람은 다른 덩어리로 옮겨 갔다.

■ 테스트 3 — 같은 데이터를 그대로 다시 실행하기

• 예상: 똑같은 결과가 나올 것
• 실제 출력: 덩어리의 구성원은 같았지만 번호가 바뀌었다. 처음에 「군집 1」이던 78명이 두 번째에는 「군집 3」이 되어 있었다.
• 예상과 달랐다.

■ 분석

테스트 3의 원인은 k-평균이 시작점을 무작위로 잡기 때문이다. 중심을 아무 데나 세 개 찍어 놓고 조금씩 옮겨 가며 자리를 잡는 방식이라, 어느 덩어리가 몇 번을 받을지는 그때그때 다르다.

여기서 중요한 것은 번호가 이름이 아니라는 점이다. 「군집 1」은 순서도 등급도 아니고 그저 붙은 딱지다. 그러므로 보고서에 「군집 1은 이러이러하다」고만 쓰면 다시 실행했을 때 말이 어긋난다. 번호가 아니라 중심 좌표로 덩어리를 가리켜야 한다.

테스트 2는 실패가 아니라 군집의 성질이다. 덩어리 사이에는 뚜렷한 선이 없고 경계 부근은 원래 흐릿하다. 그러므로 이런 사람을 한 덩어리에 넣어 놓고 그 이름으로 부르는 것은 모델이 보증하는 일이 아니다. 중심까지의 거리를 함께 봐야 얼마나 믿을 만한 배정인지 알 수 있다.

정답이 하나도 없는 데이터로 무언가가 나온다는 것이 신기했다. 예측이나 분류에서는 늘 정답 칸이 있었는데, 이번에는 맞았는지 확인할 방법 자체가 없었다. 처음에는 그게 이상하게 느껴졌다.

가장 크게 놀란 것은 같은 데이터를 다시 실행했더니 번호가 바뀐 것이었다. 사람들은 그대로 묶였는데 「군집 1」이 「군집 3」이 되어 있었다. 번호는 이름이 아니라 그냥 딱지였다. 이걸 모르고 보고서를 썼다면 말이 어긋났을 것이다.

단위가 다른 열을 같은 자로 맞추는 정규화를 빠뜨리고 한 번 실행해 봤더니 결과가 완전히 달랐다. BPM은 60~180이고 에너지는 0~1이라, 그냥 실행하면 사실상 BPM 하나로만 나뉘었다. 거리로 판단하는 방법에서는 자를 맞추는 일이 계산보다 먼저라는 걸 배웠다.

그리고 「느리고 잔잔한 쪽」이라는 이름을 붙이면서 잠깐 멈칫했다. 모델은 번호까지만 줬고 그 이름은 내가 지은 것인데, 적어 놓고 보니 마치 데이터가 알려 준 사실처럼 보였다. 사람을 묶어서 이름 붙이는 일이 생각보다 조심스러운 일이라는 것을 느꼈다.