K-평균 군집화에서 K 이해: 최적의 군집 수 선택

K-term은 데이터가 분할되는 클러스터 또는 그룹의 수를 나타내는 K-means 알고리즘의 용어입니다. K 값은 K-평균 알고리즘을 실행하기 전에 설정해야 하는 하이퍼파라미터입니다. K 값은 일반적으로 데이터 구조와 원하는 클러스터링 수준을 기반으로 선택됩니다. K를 선택하는 일반적인 방법은 클러스터 수가 증가함에 따라 각 클러스터가 설명하는 분산을 플로팅하는 엘보우(Elbow) 방법입니다. 각 군집이 설명하는 분산이 증가를 멈추고 감소하기 시작하는 지점을 엘보우(elbow)라고 하며 이는 일반적으로 K가 적절한 군집 수라는 표시로 간주됩니다. K를 선택하는 또 다른 방법은 SCOTCH 방법입니다. 스캐닝 창을 사용하여 최적의 K 값을 검색합니다. SCOTCH 방법에는 데이터 전체에서 창을 반복적으로 이동하고 각 위치에서 클러스터링 품질을 평가하는 작업이 포함됩니다. 클러스터링 품질이 가장 높은 창 위치는 K의 최적 값으로 사용됩니다. K 값이 선택되면 K-평균 알고리즘을 실행하여 데이터를 K 그룹으로 클러스터링할 수 있습니다.