K-means, DBSCAN 클러스터링

클러스터링 개념

• 데이터 포인터들을 여러 군집으로 나누어 각 군집 간 유사성을 최소화, 군집 내 유사성을 최대화하는 비지도학습 알고리즘
• 데이터 내 잠재적 패턴, 그룹 발견, 군집별 맞춤 전략 수립, 군집별 전처리 및 축소

K-means, DBSCAN 클러스터링 개념, 비교

K-means 클러스터링 개념 및 특징

구분	내용
개념	데이터셋을 K개의 클러스터로 나눠 각 데이터가 가장 가까운 클러스터 중심에 할당하여 군집화하는 알고리즘
특징	초기 중심점 설정 민감, 이상치 민감
-	가벼운 시간 복잡도, 구형 클러스터 적합

DBSCAN 클러스터링 개념 및 특징

구분	내용
개념	밀도가 높은 지역에서 클러스터를 형성하고, 밀도가 낮은 지역은 노이즈로 간주하는 알고리즘
특징	클러스터 모양이 불규칙해도 좋은 성능
-	입실론 거리와 최소 포인트 수 조정이 성능의 핵심 요소

K-means, DBSCAN 클러스터링 비교

구분	K-means	DBSCAN
기반	거리기반	밀도기반
클러스터 형태	구형 클러스터 적합	임의 모양 식별 가능
노이즈 처리	약함	강함
처리 속도	빠름	느림
초기화	초기 중심점 선택 중요	덜 민감

클러스터링 고려사항

• 데이터 크기, 형태, 노이즈에 따라 적절한 알고리즘 선택 필요
• Dunn Index, Silhouette Coefficient 등의 지표로 클러스터링 결과 평가 후 하이퍼파라미터 조정