K-평균 군집화에서 엘보우 및 실루엣 방법을 사용하여 K-값을 결정하는 거리 메트릭의 효과

군집화는 데이터 마이닝의 주요 작업 중 하나입니다. 데이터 그룹화 및 군집화에 유용합니다. 데이터 군집화 방법에는 부분 기반, 계층 기반 및 밀도 기반이 있습니다. 부분 기반 군집화는 겹치지 않는 하위 집합으로 데이터를 군집화하는 방법입니다. 가장 인기 있는 부분 기반 군집화 알고리즘 중 하나는 K-평균입니다. K-평균은 데이터를 K개의 군집으로 군집화하고 중심에 대한 거리를 기반으로 합니다. K-평균을 사용하기 전에 결정해야 할 몇 가지 요인은 K의 값입니다. K의 값을 결정하는 것은 보편적인 방법이 없기 때문에 큰 문제입니다. K의 값을 결정하는 두 가지 인기 있는 방법은 엘보우 및 실루엣 방법을 사용하는 것입니다. 이 방법은 그래프 기반입니다. 그러나 이 방법을 사용하기 전에 결정해야 할 또 다른 중요한 요소는 사용할 거리 메트릭입니다. 이 논문은 엘보우 및 실루엣 방법을 사용하여 K의 값을 찾는 데 있어 맨해튼, 유클리드 및 민코프스키의 세 가지 거리 메트릭의 효과를 보여줍니다. 이 연구에 따르면, 사용된 거리 매트릭스의 선택은 K-평균에서 K의 값을 결정하는 데 미치는 영향이 적습니다. 맨해튼 거리는 엘보우 및 실루엣 그래프에서 가장 많은 변동성을 보입니다. 엘보우 방법은 사용하기 어려우며 때때로 그래프를 기반으로 K-평균에서 K의 값을 정의할 수 없습니다.