K-평균 클러스터링은 데이터 집합을 서로 겹치지 않는 별개의 하위 그룹(클러스터)으로 분할하는 데 사용되는 인기 있는 비지도 학습 알고리즘입니다. 이 방법은 이러한 그룹에 대한 사전 지식 없이 데이터 내의 고유한 그룹을 식별해야 할 때 특히 유용합니다. K-평균 클러스터링의 목표는 데이터 포인트와 할당된 클러스터의 중심점 사이의 제곱 거리의 합을 최소화하여 유사한 데이터 포인트를 효과적으로 그룹화하는 것입니다.
K-평균 클러스터링 알고리즘은 간단한 반복 프로세스를 따릅니다:
이 반복적인 정제 프로세스를 통해 데이터 포인트가 특징 공간에서 가장 가까운 이웃과 그룹화되어 응집력 있는 클러스터가 만들어집니다. K-Means는 대규모 데이터 세트에 대한 단순성과 확장성으로 인해 효율적이고 널리 사용됩니다. 클러스터링 알고리즘에 대해 더 깊이 이해하려면 포괄적인 인사이트와 예제를 제공하는 scikit-learn의 클러스터링 문서와 같은 리소스를 살펴볼 수 있습니다.
K-평균 클러스터링은 다양한 분야, 특히 인공지능과 머신 러닝 분야에서 광범위하게 활용되고 있습니다. 다음은 몇 가지 예시입니다:
리테일 분야의 고객 세분화: 기업은 K-Means 클러스터링을 사용하여 구매 행동, 인구 통계 또는 웹사이트 활동을 기반으로 고객을 세분화할 수 있습니다. 이를 통해 타겟 마케팅 전략, 개인화된 추천, 향상된 고객 관계 관리가 가능합니다. 예를 들어, 소매업체는 고객 구매 내역을 분석하여 '고가치 고객', '특가 고객' 또는 '신규 고객'과 같은 별개의 그룹을 식별하고 그에 따라 마케팅 캠페인을 맞춤화할 수 있으며, 이는 AI가 소매업에서 고객 경험을 향상시키는 방식과 유사합니다.
이상 징후 탐지: K-평균은 클러스터에 속하지 않거나 클러스터 중심으로부터 멀리 떨어진 데이터 포인트를 식별하여 이상 징후를 탐지하는 데 사용할 수 있습니다. 컴퓨터 비전에서는 제조 결함을 감지하거나 감시 영상에서 비정상적인 활동을 식별하는 데 사용할 수 있습니다. 예를 들어, 품질 관리 프로세스에서 Ultralytics YOLO 모델을 기반으로 하는 제조 분야의 컴퓨터 비전은 제품 결함을 감지하는 데 사용될 수 있으며, K-Means는 결함 특성을 클러스터링하여 추가 검사를 위해 이상 징후를 강조 표시할 수 있습니다. 이상 징후 감지 기술과 AI의 적용 사례에 대해 자세히 알아보세요.
K-평균 클러스터링은 강력한 도구이지만, 다른 관련 개념과 구별하는 것이 중요합니다:
K-평균 클러스터링과 DBSCAN: 둘 다 비지도 학습 클러스터링 알고리즘이지만, K-평균은 중심 기반이며 구형 클러스터를 생성하는 것을 목표로 하는 반면, DBSCAN(밀도 기반 애플리케이션의 노이즈 공간 클러스터링 )은 밀도 기반이며 임의의 모양의 클러스터를 발견하고 노이즈 포인트를 이상값으로 식별할 수 있습니다. DBSCAN은 이상값에 대해 더 강력하며 K-평균과 달리 클러스터 수를 미리 지정할 필요가 없습니다.
K-평균 클러스터링과 지도 학습 비교: K-평균 클러스터링은 비지도 학습 기법으로, 라벨이 없는 데이터로 패턴을 찾습니다. 반면, 지도 학습 알고리즘은 Ultralytics YOLO 을 사용하여 훈련된 이미지 분류 모델과 같이 라벨이 지정된 데이터를 학습하여 예측 또는 분류를 수행합니다. 지도 학습에는 미리 정의된 카테고리가 필요한 반면, K-Means는 데이터 자체에서 카테고리를 발견합니다.
K-평균 클러스터링과 그 응용을 이해하면 다양한 영역에서 머신 러닝(ML)을 활용하는 데 유용한 인사이트를 얻을 수 있습니다. Ultralytics HUB와 같은 플랫폼은 클러스터링 기법을 통해 얻은 데이터 인사이트를 활용하여 데이터 세트를 관리하고 모델을 배포하는 데 도움을 줄 수 있습니다.
