중심 기반 군집의 K-Means 군집화 알고리즘

중심 기반 군집에 해당하는 KMeans 클러스터링 알고리즘은 n개의 중심점을 찍은 후에, 이 중심점에서 각 점간의 거리의 합이 가장 최소화가 되는 중심점 n의 위치를 찾고, 이 중심점에서 가까운 점들을 중심점을 기준으로 묶는 군집화 알고리즘 입니다. 중심 기반 군집에는 K-Means, K-Median, K-medoid 등이 있습니다. 

 

K-Means 군집화 알고리즘은
중심 기반 군집 종류 입니다. 

1. K-Means의 장점

• 계층적으로  군집을  형성시키지  않고  개체들을  몇  개의  군집으로  구분
• 초기에  부적절한  병합(분리)이  일어났을  때  회복 가능
• 군집의  수를  사전에  정의
• 개체의  수가  많을  때  유용
• 계층적 군집법에 비하여 계산량이 적음
• 대용량 데이터를 빠르게 처리할 수 있음

2. K-Means의 절차

1.군집의 수 k를 정의 2.초기 k개 군집의 중심 (centroid) 선택 3.각  관측값들을 가장  가까운  중심의  군집에  할당 4.새로운  군집의  중심 계산 5.3, 4의  과정을  중심에  변화가  없을  때까지  반복

 

3. iris 데이터를 이용한 K-Means 실습

#K-Means() 군집 from sklearn.cluster import KMeans #KMeans 모듈 가져옴 import matplotlib.pyplot  as plt import seaborn as sns # create model and prediction model = KMeans(n_clusters=3,algorithm='auto') #군집수 지정(가장 중요함) model.fit(data) #모델설정 predict = pd.DataFrame(model.predict(data)) #군집을 예측 predict.columns=['cluster']

data_result = pd.concat([data,predict],axis=1) #기존 데이터와  클러스팅한 군집을 합침

 

• 초기의 군집의 수를 정하는 것이 매우 중요 합니다.  군집수를 구하기 위한 차트 입니다.

#초기 군집수가 매우 중요하기 때문에 군집수를 결정하기 위한 차트호 확인할 수 있음 ks = range(1,10) inertias = [] for k in ks:     model = KMeans(n_clusters=k)     model.fit(data)     inertias.append(model.inertia_) # Plot ks vs inertias plt.plot(ks, inertias, '-o') plt.xlabel('number of clusters, k') plt.ylabel('inertia') plt.xticks(ks) plt.show()

https://github.com/sense64/data_viz/blob/main/h_clustering_prg1.ipynb