k-평균 알고리즘

◆ k-means 클래스

- 보통의 비지도 학습에서 사과, 바나나, 파인애플과 같이 클래스를 알 수 없음

- 이 방법을 해결하기 위해 가까운 샘플과 평균값을 비교한 알고리즘인 k-means를 사용함

- 거리기반 분류법

 

◆ 데이터 로드

 

◆ k-means 훈련

from sklearn.cluster import KMeans

km = KMeans(n_clusters= , random_state= )

km.fit(data)

 

● 라벨링 값

km.labels_

 

● numpy 고유값 확인

np.unique(데이터, return_counts=True)    # return_counts=True : 고유값 개수 출력

 

◆ 분류 후 이미지 그리기

● 그리는 함수 정의

 

● 분류한대로 그리기

 

● 클러스터의 중심

km.cluster_centers_ : 분류하는 기준

# ratio : 이미지 크기

km.transform() : 각 분류하는 기준과 해당 데이터와의 거리

km.n_iter_ : 중심이 이동한 횟수

 

◆ 최적의 k값 찾기

- k-means의 가장 큰 단점 중 하나는 클러스터 갯수를 사전에 하이퍼파라미터로 지정하애함

- 실전에서는 클래스의 갯수가 몇개인지 모름

- 따라서 이 k값(n_clusters)을 설정할 수 없기 땜누에, 이너셔 알고리즘 중 엘보우 방법을 대표적으로 사용함

- 이너셔란 클러스터에 속한 샘플이 얼마나 조밀하게 모여있는지를 나타내는 값

- k값이 많아지면 당연히 어너셔가 작아짐

- 급격하게 꺽이는 부분이 최적값 -> 엘보우 솔루션