증감 연산자 선행/후행 실행후 결과값 확인 소스코드 public class OperatorEx15 { public static void main(String[] args) { int n1=7; int result1=0; result1 = ++n1; System.out.println("++n : " + result1); int n2=7; int result2 =0; result2= --n2; System.out.println("--n : " + result2); int n3=7; int result3 =0; result3= n3++; System.out.println("n++ : " + result3); int n4=7; int result4 =0; result4= n4--; System.out.print..

증감/비교/논리 연산자 소스코드 public class OperatorEx05 { public static void main(String[] args){ System.out.println("=========증감/비교/논리 연산자========="); System.out.println("논리 곱:"); int a, b; a = b = 10; boolean c = (a++ >= ++b) && (++a > b++); System.out.println("a++ >= ++b && ++a : " + c); System.out.println("a : " + a); System.out.println("b : " + b); System.out.println(""); System.out.println("논리 힙:"); i..

논리연산자 확인 논리 연산자 선조건&&후조건Resulttrue&&truetruetrue&&falsefalsefaluse&& false 선조건||후조건Resulttrue|| truefalse||truetruefalse||falsefalse 이유 연산속도를 빠르게 하기 위해 소스코드 public class OperatorEx04 { public static void main(String[] args){ System.out.println("=========논리 연산자 ========="); boolean t, f, result; t = true; f = false; result = t && f; //논리곱 System.out.println("t && f : " + result); System.out.print..

비교(관계) 연산자 소스코드 public class OperatorEx02 { public static void main(String[] args){ System.out.println("=========비교(관계) 연산자========="); int a = 10; int b = 20; boolean result; result = a b; System.out.println("a > b: " +result ); result = a = b; System.out.println("a >= b: " + result); result = a == b; System.out.println("a == b: " + result); result = a != b; System.out.println("a != b: " + resu..

대입연산자, 복합대입 연산자 소스코드 public class OperatorEx09 { public static void main(String[] args){ System.out.println("=======대입 연산자========="); int a = 100; int b = 3; System.out.println("a : " + a); System.out.println("b : " + b); System.out.println("\n=======복합대입 연산자======"); a += b; System.out.println("a +=b : " + a); System.out.println("a : " + a); System.out.println("b : " + b); a -= b; System.out.p..

k-평균 군집화(k-means clustering) · ≒ k-평균 클러스터링 · 사전에 결정된 군집 수 K에 기초하여 전체 데이터를 상대적으로 유사한 K개의 군집으로 구분하는 방법입니다. · 상호배반적인 K개의 군집을 형성합니다. · 군집의 수 K를 사전에 결정해야 합니다. · 모집단 또는 범주에 대한 사전 정보가 없을 때 주어진 관측값들 사이의 거리를 측정하고 유사성을 이용하여 분석합니다. · 전체 데이터를 여러 개의 집단으로 그룹화함으로써 각 집단의 성격을 파악할 수 있고 데이터 전체의 구조를 이해하기 위한 방법입니다. · 새로운 데이터와 기존 데이터 간의 유클리디안 거리가 최소가 되도록 클러스터링합니다. 기존 데이터를 기준점으로 하여 유클리디안 거리 측정 거리가 최소화되도록 k개의 군집들로 클러스..