데이터에 레이블을 지정하는 사람은 아무도 없습니다. 클러스터링은 데이터 세트 내에서 자연스러운 그룹을 찾아 유사한 데이터 포인트를 함께 묶고 유사하지 않은 데이터 포인트를 분리합니다. 이는 가장 순수한 형태의 비지도 학습이며, 고객 세분화, 이미지 압축 및 이상 탐지에 사용됩니다.

알고리즘마다 유사성과 형태를 정의하는 방식이 다릅니다. K-평균 알고리즘은 점들을 고정된 개수의 구형 클러스터로 나눕니다. 계층적 클러스터링은 중첩된 그룹들의 트리 구조를 만듭니다. DBSCAN은 밀집된 영역을 찾고 드문드문 있는 점들을 노이즈로 분류합니다.

일반적인 클러스터링 방법

• K-평균 및 k-메도이드
• 계층적 응집 클러스터링
• DBSCAN 및 밀도 기반 방법
• 가우시안 혼합 모델
• 스펙트럴 클러스터링

클러스터를 평가하는 것은 정답이 없기 때문에 까다롭습니다. 실루엣 점수와 엘보 플롯은 참고 자료를 제공하지만, 그룹화가 의미 있는지 여부는 대개 해당 분야의 전문 지식을 통해 결정됩니다.