K-평균 군집화

K-평균 클러스터링은 비지도 학습 분야에서 널리 사용되는 알고리즘으로 비지도 학습 분야에서 널리 사용되는 알고리즘입니다. 데이터 세트를 서로 겹치지 않는 별개의 하위 그룹으로 분할하도록 설계된 알고리즘입니다. 더 넓은 맥락에서 보면 머신 러닝(ML)에서 이 방법은 필수적입니다. 레이블이 없는 데이터 내에서 숨겨진 패턴과 구조를 발견하는 데 필수적입니다. 이 알고리즘은 데이터 포인트를 구성하는 방식으로 작동합니다. 를 $K$ 수의 클러스터로 구성하고, 각 포인트는 가장 가까운 평균을 가진 클러스터에 속하며, 이 클러스터는 그룹. 이 접근 방식은 각 클러스터 내의 분산을 최소화하는 데 도움이 되며, 동일한 그룹의 데이터 포인트가 가능한 한 유사하도록 보장합니다. 그룹의 데이터 포인트가 가능한 한 유사하면서도 다른 그룹은 구별되도록 합니다.

알고리즘 작동 방식

K-평균 프로세스는 반복적이며 클러스터의 중심 역할을 하는 $K$ 초기 중심을 선택하는 것으로 시작됩니다. 포인트 역할을 하는 $K$ 초기 중심점을 선택하는 것으로 시작됩니다. 이러한 중심은 무작위로 선택하거나 다음과 같은 더 스마트한 초기화 기법을 통해 선택할 수 있습니다. k-means++ 초기화 와 같은 보다 스마트한 초기화 기법을 통해 선택될 수 있습니다. 그런 다음 알고리즘은 결과가 안정화될 때까지 두 가지 기본 단계를 거칩니다:

1. 할당: 할당: 학습 데이터의 각 데이터 포인트는 학습 데이터의 각 데이터 포인트는 일반적으로 거리 메트릭을 기반으로 가장 가까운 중심점 거리 메트릭(일반적으로 유클리드 거리. 이 단계에서는 데이터를 효과적으로 데이터를 $K$ 클러스터로 효과적으로 그룹화합니다.
2. 업데이트: 각 클러스터의 새로운 중심점은 특정 클러스터에 할당된 모든 데이터 포인트의 평균을 계산하여 계산됩니다. 의 평균을 계산하여 계산됩니다.

이 주기는 중심이 더 이상 크게 움직이지 않을 때까지 반복되며, 이는 알고리즘이 수렴했음을 나타냅니다. 최적의 클러스터 수를 결정하는 것은 프로세스의 중요한 부분이며, 종종 다음과 같은 기술을 사용하여 달성합니다. 엘보 방법 와 같은 기법을 사용하거나 실루엣 점수 를 분석하여 결과 클러스터 간의 이격 거리를 측정합니다.

AI의 실제 적용 사례

K-Means 클러스터링은 다양한 산업 분야에서 다음과 같은 용도로 활용되고 있습니다. 데이터 마이닝 및 분석 작업.

• 고객 세분화: 기업은 클러스터링을 활용하여 구매 행동, 인구 통계 또는 검색 기록을 기반으로 구매 행동, 인구 통계 또는 검색 기록을 기반으로 고객을 그룹화합니다. 뚜렷한 그룹을 식별함으로써 기업은 소매업의 AI가 마케팅 전략을 개선하는 것과 유사하게 마케팅 전략을 맞춤화할 수 있습니다. 고객 타겟팅 및 재고 관리.
• 이미지 압축: 컴퓨터 비전(CV) 영역에서 컴퓨터 비전(CV) 영역에서 K-Means는 다음과 같은 용도로 사용됩니다. 색상 양자화. 이 기술은 픽셀 값을 클러스터링하여 이미지의 고유 색상 수를 줄입니다, 효과적으로 수행하여 차원 감소를 효과적으로 수행하면서 이미지의 시각적 무결성을 유지합니다.
• 이상 징후 탐지: 정상 데이터 클러스터의 구조를 학습함으로써, 시스템은 어떤 중심점으로부터도 멀리 떨어진 를 식별할 수 있습니다. 이는 보안 애플리케이션과 네트워크 트래픽의 이상 징후 탐지에 유용합니다.

객체 감지 기록의 K-평균

다음과 같은 최신 물체 감지기는 Ultralytics YOLO11 와 같은 고급 회귀 기법이나 앵커 프리 헤드를 활용하는 경우가 많지만, K-Means는 탐지 모델의 진화에서 중요한 역할을 했습니다. YOLOv2부터 YOLOv5 초기 반복에서는 COCO 데이터 세트의 경계 상자에서 K-평균 클러스터링을 사용하여 차원에 K-Means 클러스터링을 사용하여 최적의 앵커 박스를 결정했습니다. 이렇게 미리 계산된 앵커를 통해 모델에 물체 모양 예측을 위한 더 나은 사전 예측을 제공하여 학습 안정성과 회상률을 크게 향상시켰습니다.

K-수단 대 K-가장 가까운 이웃(KNN)

K-Means를 다음과 혼동하는 경우가 많습니다. 가장 가까운 이웃(KNN)과 혼동하는 경우가 많지만, 이 둘은 근본적으로 다른 용도로 사용됩니다.

• K-Means는 클러스터링에 사용되는 비지도 알고리즘입니다. 이 알고리즘은 레이블이 지정된 데이터가 필요하지 않으며 데이터 집합 내에서 고유한 구조를 찾는 데 중점을 둡니다.
• KNN은 다음과 같은 용도로 사용되는 지도 학습 알고리즘입니다. 이미지 분류 및 회귀에 사용되는 지도 학습 알고리즘입니다. 그것은 레이블이 지정된 입력에 의존하여 가장 가까운 이웃의 다수 클래스를 기반으로 새로운 데이터 포인트를 classify .

또 다른 관련 개념은 중심점으로부터의 거리가 아닌 밀도를 기준으로 클러스터링하는 DBSCAN이 있습니다. K-Means와 달리 DBSCAN은 클러스터 수를 미리 지정할 필요가 없으며 이상값을 처리하는 데 더 효과적입니다.

코드 예제: 색상 양자화

다음 Python 예제는 K-Means를 사용하여 픽셀 색상을 클러스터링하는 방법을 보여 줍니다. 데이터 전처리 단계인 픽셀 색상을 클러스터링하는 방법을 보여줍니다.

import numpy as np
from sklearn.cluster import KMeans

# Simulate a small image (10x10 pixels) with 3 RGB channels
# In a real scenario, you would load an image using cv2.imread()
image_data = np.random.randint(0, 255, (10, 10, 3), dtype=np.uint8)
pixels = image_data.reshape(-1, 3)

# Apply K-Means to reduce the image to 3 dominant colors (clusters)
kmeans = KMeans(n_clusters=3, n_init="auto", random_state=42).fit(pixels)

# The cluster centers represent the dominant colors
print(f"Dominant RGB Colors:\n{kmeans.cluster_centers_}")