[군집] 스펙트럼 군집

◈  '군집' 목차 ◈

1. K-평균

2. DBSCAN

3. HDBSCAN

4. 병합군집

5. 평균-이동

6. BIRCH

7. 유사도 전파

8. 스펙트럼 군집

    스펙트럼 군집 알고리즘에 대해 알아보자.

9. 가우시안 혼합 모델

10. 베이즈 가우시안 혼합 모델

---

1. 스펙트럼 군집

step1

샘플 사이의 유사도 행렬을 받아 저차원 임베딩을 만든다. (즉 차원 축소한다.)

 

step2

그다음 이 저차원 공간에서 또 다른 군집 알고리즘을 사용한다. (사이킷런에서는 k-평균 사용) 

 

스펙트럼 군집은 복잡한 클러스터 구조를 감지하고 graph cut을 찾는 데 사용할 수 있다.

예를 들어 소셜 네트워크에서 친구의 클러스터를 찾는데 사용된다.

 

이 알고리즘은 샘플 개수가 많으면 잘 적용되지 않고 클러스터 크기가 매우 다르면 잘 동작하지 않는다. 

 

 

2. SpectralClustering 클래스

사이킷런에서 SpectralClustering 클래스를 통해 구현할 수 있다. 

 

SpectralClustering 의 몇 가지 매개 변수를 살펴보자.

˙ n_cluster : 클러스터 갯수

˙ n_components : 임베딩시킬 저차원 공간의 고유 벡터 수 

˙ affinity : 유사도 행렬 계산 시 유사도 측정 기준           ex. nearest_neighbors, rbf, precomputed

˙assign_labels : 저차원 공간에서 사용할 군집 알고리즘        ex. kmeans, discretize

˙n_init : 저차원 공간에서 kmenas 군집 알고리즘 사용 시, 센트로이드 초기화 진행 횟수

 

from sklearn.cluster import SpectralClustering

spectral_cluster = SpectralClustering(n_clustser = 3, 
                                      n_components = 5, 
                                      n_init = 10,
                                      assign_labels = 'kmenas')
                                      
cluster_labels = spectral_cluster.fit_predicts(X)

 

 

▶ SpectralClustering 클래스 구현에 대해 더 자세히 알고 싶다면  >>  참고 URL -  SpectralClustering