계층적 군집화와 DBSCAN

k-평균은 둥글고 크기가 비슷한 클러스터와 고정된 k를 가정합니다. 이 가정이 맞지 않을 때는 다른 알고리즘이 더 복잡한 형태와 밀도를 처리할 수 있습니다. 🔍

계층적 클러스터링은 가장 가까운 두 그룹을 반복해서 합치며, 아래에서 위로 중첩된 클러스터의 트리를 만듭니다.

이 트리는 덴드로그램으로 그립니다. 선택한 높이에서 트리를 자르면 아래쪽 가지가 클러스터가 됩니다.

실질적인 장점은 초기에 k를 확정하지 않아도 된다는 것입니다. 덴드로그램을 살펴본 다음 어디에서 자를지 결정하면 됩니다.

그룹 간 거리를 측정하는 방법은 워드, 평균, 완전 연결과 같은 연결 방식에 따라 달라집니다.

DBSCAN은 다른 관점을 사용합니다. 더 성긴 구간으로 분리된 조밀한 점 영역을 클러스터로 취급합니다.

DBSCAN에는 이웃 반경 eps와 최소 점 개수가 필요합니다. 이 두 값이 함께 얼마나 조밀해야 하는지를 정의합니다.

k-평균과 달리 DBSCAN은 데이터의 밀도를 바탕으로 클러스터의 개수를 스스로 알아냅니다.

성긴 영역의 점은 클러스터에 억지로 넣는 대신 레이블 -1을 사용해 노이즈로 표시합니다.

밀도를 따르기 때문에 DBSCAN은 k-평균이 잘라 버릴 수 있는 길고 휘어진 클러스터나 특이한 형태의 클러스터도 찾아낼 수 있습니다.

탐색하고 싶은 중첩 구조에는 계층적 클러스터링을 사용하고, 이상치 처리가 내장된 불규칙한 형태에는 DBSCAN을 사용하십시오.

계층적 클러스터링은 자를 수 있는 덴드로그램을 만들고, DBSCAN은 어떤 형태든 조밀한 클러스터를 찾으며 노이즈를 표시합니다. 🎯