최신 군집분석 기법, 5가지만 구별하기

각 기법이 데이터를 ‘어떤 기준으로 묶는가?’가 선택형 문항의 핵심입니다.

교재 463–465쪽

LEARNING MAP · 학습 로드맵

군집의 기준은
밀도 · 계층 · 소속도 · 그래프 · 대표점

DBSCAN, 병합적 군집, 퍼지 군집, 스펙트럼 군집, PAM을 원리별로 비교합니다. 마지막에 실루엣 계수는 군집화 알고리즘이 아니라 평가 지표라는 기출 함정을 확인합니다.

●●●

DBSCAN밀집한 곳

⑴⑵⑶

병합적점진적 결합

◐

FCM부분 소속

◇

Spectral유사도 그래프

★

PAM실제 대표 관측치

✓ 학습목표 & 목차

원리 이해밀도 기반·계층적·퍼지·스펙트럼·메도이드

기법의 차이 비교군집 수 사전 지정, 이상치, 군집 모양, 계산 부담

출제 포인트 암기DBSCAN의 잡음, FCM의 소속도, PAM의 Medoid

기출 적용36회 50번 + 실루엣 계수와 Dunn Index(DI) 구별

분류 주의 ‘최신 군집분석’이라는 교재 묶음에 등장하지만, 병합적 군집은 전통적인 계층적 군집분석이고 PAM은 비계층적 분할 군집에 속합니다.

01 밀도기반 vs 02 병합적 군집

밀집 영역을 찾는가? 개별 데이터부터 차례로 합치는가?

교재 463–464쪽

01 DBSCAN Density-Based Spatial Clustering of Applications with Noise

점들이 충분히 밀집된 영역을 하나의 군집으로 묶고, 희박한 곳의 점을 잡음(Noise)으로 판정할 수 있습니다.

핵심 파라미터 ε(Eps, 이웃 반경), MinPts(최소 이웃 점 수)

장점 군집 수 K를 미리 정하지 않음 · 임의 모양의 군집 탐지 · 잡음 분리

주의 밀도 차이가 크거나 고차원 데이터에서는 어려울 수 있음

시험 암기 K값 지정 불필요 / 밀도 기반 / 이상치를 잡음으로 처리 가능. 다만 DBSCAN도 ε 안에 있는 점을 판단하기 위해 거리·이웃 개념을 사용합니다.

02 병합적 군집 Agglomerative Hierarchical Clustering

각 관측치를 하나의 군집으로 시작하고, 가장 가까운 군집끼리 반복적으로 병합하여 계층을 형성합니다.

진행 각 점 = 1개 군집 → 유사한 두 군집 병합 → 덴드로그램

연결 기준 최단(Single) · 최장(Complete) · 평균(Average) · Ward 등

특징 덴드로그램을 자르는 높이에 따라 군집 수 선택

주의 대용량에서 계산·메모리 부담이 커질 수 있음

시험 암기 하향식 분할이 아니라 상향식 병합입니다. ‘병합적’은 최신 기술만의 이름이 아니라 계층적 군집의 한 유형입니다.

03 퍼지 군집 vs 04 스펙트럼 군집

한 점이 여러 군집에 얼마나 소속되는가? 데이터의 연결 구조는 어떠한가?

교재 464쪽

03 퍼지 군집 Fuzzy Clustering · Fuzzy C-Means(FCM)

각 점에 특정 군집을 단정하는 대신, 여러 군집에 대한 소속도(Membership)를 부여합니다.

대표 기법 FCM(Fuzzy C-Means)

작동 중심과 거리 등을 고려해 각 군집에 대한 소속도를 갱신

유용한 경우 서로 겹치는 특성을 가진 고객·관광객 세분화

주의 초기값·군집 수 설정에 민감할 수 있고 해석이 복잡

개념 정확성 FCM의 소속도는 반드시 확률모형에서 나온 ‘확률’과 같은 뜻은 아닙니다. 일반적인 FCM에서는 한 점의 군집별 소속도 합이 1입니다.

04 스펙트럼 군집 Spectral Clustering

데이터 사이의 유사도 그래프를 만든 뒤, 행렬의 고유벡터(Eigenvector) 정보를 이용해 군집을 구분합니다.

흐름 유사도 행렬 → 그래프 라플라시안 → 고유벡터 → 군집화

장점 비선형·복잡한 경계의 군집 탐지에 유용

활용 이미지 분할, 네트워크, 복잡한 패턴 인식

주의 행렬 연산 부담, 유사도 구성·군집 수 선택에 민감

시험 암기 그래프 이론 + 고유값·고유벡터. 고유벡터 공간으로 데이터를 표현한 후 K-means 같은 방법으로 최종 군집을 만드는 방식이 흔합니다.

05 PAM — 평균이 아닌 실제 관측치가 중심

PAM은 비계층적·분할형 군집입니다. K-means와의 차이를 정확히 구별하세요.

교재 464–465쪽

05 PAM Partitioning Around Medoids

군집의 대표를 산술평균이 아니라 실제 관측치 중 하나인 메도이드(Medoid)로 선택합니다.

방법 메도이드 후보를 정하고, 군집 내 거리의 합 등을 줄이는 방향으로 대표점을 교체

장점 평균을 활용하는 K-means보다 이상치에 상대적으로 강건

한계 K 지정 필요 · 계산량이 커질 수 있음

시험 암기 PAM = Medoid(실제 데이터 점) / K-means = Mean(산술평균). 메도이드가 이상치의 영향을 줄일 수 있지만 이상치에 완전히 무관한 것은 아닙니다.

↔ K-means vs PAM 핵심 비교

K-meansCentroid
평균 중심

PAM (K-medoids)Medoid
실제 대표 관측치

비교 기준	K-means	PAM
대표점	평균값	실제 데이터 한 점
거리	주로 유클리드 제곱거리	다양한 거리·비유사도 활용 가능
이상치	영향이 큰 편	상대적으로 강건
군집 수	K 미리 지정	K 미리 지정
연산 부담	상대적으로 낮음	상대적으로 높음

관광 분야 예시 여행객을 3개 유형으로 나눌 때, K-means의 중심은 실제 존재하지 않는 ‘평균적인 고객 프로필’일 수 있습니다. PAM의 중심은 해당 유형을 대표하는 실제 응답자입니다.

한 장으로 정리하는 군집분석 5종 비교

원리 → 대표 키워드 → 군집 수 → 강점 → 주의점 순서로 읽어보세요.

교재 463–465쪽

기법	분류·기본 원리	군집 수(K)	시험 핵심 키워드	장점 및 주의점
DBSCAN 디비스캔	밀도 기반 밀집영역 탐지	사전 지정 불필요	ε · MinPts · 잡음 · 비선형 군집	이상치 분리, 다양한 모양 / 밀도차·매개변수 영향
병합적 군집 Agglomerative	계층적·응집형 군집을 순차 결합	사후 절단 높이로 선택 가능	덴드로그램 · 최단/최장/평균 연결	계층 관계 해석 / 대용량에서 비용 증가
퍼지 군집(FCM) Fuzzy C-Means	소속도 기반 중복·경계 허용	일반적으로 사전 지정	Membership(소속도) · 경계가 모호한 데이터	겹치는 특성 표현 / 소속도·초깃값 해석 유의
스펙트럼 군집 Spectral	그래프 기반 유사도 행렬 분해	보통 사전 지정	그래프 · 고유값/고유벡터 · 비선형	복잡한 군집 구조 / 행렬 연산 부담
PAM K-medoids	비계층적·분할형 실제 관측치 중심	사전 지정	Medoid(메도이드) · 이상치에 강건	대표점이 실제 데이터 / 계산 비용·K 설정

36회 기출문제 + 군집모형 평가

실제 기출 1문제의 정답과 교재 다음 절에 이어지는 DI 암기 포인트를 확인하세요.

교재 465쪽

Q 36회 기출 · 50번

군집분석 기법으로 가장 적절하지 않은 것은?

보기를 선택하면 정답과 해설이 나타납니다.

정답: ③36회 기출기법 vs 평가 지표

DI 군집모형 평가 · Dunn Index

군집 간 거리는 멀고, 같은 군집 내부는 조밀할수록 좋은 군집입니다.

DI = 군집 사이 분리도(최솟값)군집 내부 지름(최댓값)

분자 ↑ 서로 다른 군집이 잘 분리됨

분모 ↓ 동일 군집의 점들이 더 조밀함

따라서 다른 조건이 같다면 DI가 클수록 군집 품질이 더 좋다고 해석

Silhouette Coefficient와 구별

실루엣 계수는 각 관측치의 자기 군집 내 평균거리 a와 가장 가까운 다른 군집까지의 평균거리 b를 이용합니다.

s = (b − a) / max(a, b)

참고 제공하신 원문에서 465쪽은 ‘군집모형 평가’의 시작 부분만 보입니다. 여기서는 제공된 학습 팁의 DI 개념을 설명하고, 구분을 위해 실루엣 공식만 덧붙였습니다.