[7.1 K-평균 알고리즘 이해]

• K-평균: 군집 중심점이라는 특정한 임의의 지점을 선택해 해당 중심에 가장 가까운 포인트들을 선택하는 군집화 기법
• 군집 중심점은 선택된 포인트의 평균 지점으로 이동하고 이동된 중심점에서 다시 가까운 포인트를 선택, 다시 중심점을 평균 지점으로 이동하는 프로세스를 반복적으로 수행 -> 데이터의 이동이 없으면 해당 중심점에 속하는 데이터 포인터들을 군집화

• K-Means Clustering 과정:

1. K의 값을 정한다 (몇 개의 Cluster로 나눌 것인지)

2. 데이터셋에서 임의로 K개의 중심점을 선택.

3. 각 점을 K개의 중심점 중 가장 가까운 점이 속한 Cluster로 assign.

4. 각 그룹에 속하는 점들의 평균값을 새로운 중심점으로 함.

5. 색이 변하는 점이 없을 때까지 3, 4번을 계속 반복.

• 군집화에서 가장 많이 활용되고 쉽고 간결하다

• 거리기반 알고리즘이라서 속성의 개수가 많으면 정확도가 떨어짐(PCA를 통한 차원감소 필요한 경우 있음)

• 몇 개의 군집을 선택해야 할지 가이드하기 어려움

• KMeans클래스 사용

• labels_: 각 데이터 포인트가 속한 군집 중심점 레이블

• cluster_centers_: 각 군집 중심점 좌표

• fit_transform: 각각의 좌표들을 기준으로 했을 때 중심과 개별 피처들의 거리

• 좋은 cluster: 내부 cluster에서 뭉쳐지고 외부 cluster와 떨어진 것