AI › 인공지능 개요 › 머신러닝 › 알고리즘

K-평균 군집(K-Means)K-Means Clustering

표본마다 가장 가까운 중심에 배정하는 일과 중심을 그 군집의 평균으로 옮기는 일을 번갈아 되풀이해, 군집 안 제곱 거리 합(SSE)을 줄이는 군집 알고리즘이다.

1요약

  1. K-평균 군집은 비지도 학습의 중심 기반 분할 방법으로, 배정 · 갱신을 번갈아 도는 Lloyd 반복과 k-평균++ 초기화가 표준 구현이며(Arthur 2007 2절), 그 위에서 고객 세분화 · 벡터 양자화 · 이미지 색 줄이기가 돈다.
  2. 레이블 없는 표본을 사람이 기준을 정해 손으로 나누면 기준이 사람마다 갈린다 — k-평균은 반복마다 거리 계산 n · k 번으로 묶음을 정하고, 사례의 간헐천 분출 272회는 3회 반복에 SSE 102.68 → 79.58 로 멈췄다.
  3. 「군집이 이상하다」는 세 갈래로 가른다 — 실행마다 결과가 바뀌면 초기화, k 를 바꿔도 SSE 꺾임 · Gap 최댓값이 없으면 k, 늘어나거나 크기가 다른 무리를 가로지르면 모양 가정이다(그림 6).

2등장 배경

연속 신호를 디지털로 바꿀 때는 값의 범위를 대표 값 몇 개로 나눠야 한다. 벨 연구소의 Lloyd 는 1957년 사내 메모에서 «구간마다 대표 값 = 그 구간 표본의 평균, 경계 = 대표 값 사이 가운데»를 번갈아 맞추는 양자화 반복을 냈고, 이 글은 1982년에야 학술지에 실렸다(Lloyd 1982). 1967년 MacQueen 이 같은 생각을 다변량 표본 분류에 쓰며 «k-means» 라는 이름을 붙였다(MacQueen 1967).

그 뒤 약점이 하나씩 다뤄졌다. 2001년 Gap 통계가 k 를 기준 분포와 비교해 고르는 규칙을 냈고(Tibshirani 2001), 2007년 k-평균++ 는 초기 중심을 거리 제곱에 비례해 뽑아 기대 SSE 를 최적의 O(log k) 배 안으로 묶었으며(Arthur 2007 3절), 2010년 미니배치 갱신이 웹 규모 데이터에서 계산을 줄였다(Sculley 2010). 2011년에는 평면에서도 반복 횟수가 최악 2^Ω(n) 이 될 수 있음이 증명됐다(Vattani 2011).

지금도 군집 분석의 첫 기준선이다 — scikit-learn KMeans 의 기본값은 init="k-means++" · max_iter=300 · tol=1e-4 이다(scikit-learn KMeans 문서). IT 쪽에서는 데이터 마이닝의 군집 분석 기법으로 같은 알고리즘을 다룬다 — 그쪽은 KDD 절차 안의 자리와 연관 규칙 · 분류와의 구분을 맡고, K-평균 군집은 초기화 · 수렴 · k 선택 · 한계를 맡는다.

3쉽게 이해하기 — 택배 보관함 두 대를 놓는 관리소장 도윤

새 단지 관리소장 도윤은 택배 보관함 두 대를 어디 둘지 정해야 한다. 한 대는 아무 동 앞에 두고, 둘째 자리는 첫 보관함에서 멀리 떨어진 동일수록 잘 뽑히게 제비를 뽑는다. 동마다 더 가까운 보관함을 정해 주고, 보관함을 맡은 동들의 한가운데로 옮긴 뒤 다시 가까운 쪽을 정해 준다. 옮겨도 맡는 보관함이 바뀌는 동이 하나도 없으면 그 자리로 굳힌다.

1 첫 자리 뽑기 먼 동일수록 잘 뽑히는 제비 k-평균++ 초기화 2 가까운 함 정하기 동마다 두 함 중 더 가까운 쪽 배정 단계 3 한가운데로 옮기기 맡은 동들의 평균 자리로 갱신 단계 4 바뀐 동 없음 2 · 3 을 되풀이하다 그대로면 굳힘 수렴 함 자리가 바뀌면 2 로 단지 지도 두 함에서 같은 거리 중심 μ₁ 중심 μ₂ 표본 x 보관함 수 소장이 미리 정함 k(사람이 정함) 걸음² 의 합 작을수록 좋은 자리 목적 SSE

그림 1 · 도윤은 첫 자리를 멀리 떨어지게 뽑고, 가까운 함 정하기와 한가운데로 옮기기를 바뀌는 동이 없을 때까지 되풀이한다.

첫 자리한 대는 아무 동 앞
둘째 제비먼 동일수록 잘 뽑힘
가까운 함동마다 하나씩
옮기기맡은 동의 한가운데
굳히기바뀐 동이 없을 때
비유 — 한 줄 길 위 집 세 채 0 10 걸음 2 4 9 옮기기 전 = 2 평균 = 5 전: 0² + 2² + 7² = 53 후: 3² + 1² + 4² = 26 실제 — 갱신 단계 μⱼ ← 군집 j 표본의 평균 평균 = 제곱 거리 합이 최소인 점 사례 반복 1 갱신 SSE 102.68 → 80.42 배정 단계도 가까운 중심만 골라 SSE 를 늘리지 않는다 걸음² 합 = SSE · 집 = 표본 · 함 = 중심

그림 2 · 보관함을 맡은 집들의 평균 자리로 옮기면 걸음 제곱 합이 53 에서 26 으로 줄고, 실제 갱신 단계도 같은 이유로 사례 SSE 를 102.68 에서 80.42 로 줄인다.

비유실제 이름실제로 하는 일
단지의 동표본 x특징 d 개의 점 하나(사례 = 분출 1회 · 분출 시간 · 대기 시간)
보관함 수k사람이 미리 정하는 군집 수 · Gap 통계 등으로 고름
첫 자리 · 둘째 제비k-평균++ 초기화첫 중심은 무작위 · 다음 중심은 가장 가까운 중심까지 거리² 에 비례해 뽑음
보관함 자리중심 μⱼ군집마다 대표 점 하나 · 군집 평균
가까운 함 정하기배정 단계표본마다 거리가 가장 짧은 중심의 번호를 붙임
한가운데로 옮기기갱신 단계중심을 그 군집 표본의 평균으로 바꿈
걸음² 의 합SSE(관성)표본과 자기 중심 사이 제곱 거리의 합 · 두 단계가 모두 줄이거나 그대로 둠
바뀐 동 없음수렴배정이 바뀐 표본 0 또는 중심 이동이 tol 미만이면 멈춤

⚠ 비유가 맞지 않는 곳: 걸음은 실제 거리지만 k-평균은 특징 공간의 유클리드 거리를 쓰므로 단위가 다른 열은 먼저 표준화해야 한다. 또 도윤이 찾은 자리는 «더 옮길 이유가 없는» 자리일 뿐 가장 좋은 자리라는 보장이 없다 — 첫 제비가 다르면 다른 자리에서 굳을 수 있다.

4구조 — 초기화 · 배정 · 갱신 · 수렴 판정

바깥 반복 n_init — 실행마다 SSE 를 재고 가장 작은 실행을 남김 k = 군집 수(사람) 입력 X 표본 n × 특징 d 열마다 표준화 초기화 k-평균++ D² 비례로 k 개 배정 단계 가장 가까운 중심 레이블 c(x) 갱신 단계 군집 평균으로 중심 μⱼ 수렴 판정 바뀐 표본 0 또는 이동 < tol 아니오 — 바뀐 표본 있음 예 출력 중심 k 개 · 레이블 · SSE(관성) 데이터 학습 규칙 출력 사람이 정함 점선 상자 = 바깥 반복 · 반복 한 번 계산 = n × k × d

그림 3 · 사람이 정한 k 로 초기화한 뒤 배정 · 갱신을 바뀐 표본이 0 이 될 때까지 돌고, 이 전체를 n_init 번 되풀이해 SSE 가 가장 작은 실행을 남긴다.

요소역할값 · 근거
k군집 수 · 사람이 정함Gap 통계 · SSE 꺾임으로 고름(Tibshirani 2001)
초기화반복의 출발점 · 결과를 바꿈k-평균++ = D² 가중 · 기대 SSE ≤ 8(ln k + 2) × 최적(Arthur 2007 정리 3.1)
배정 단계표본마다 가장 가까운 중심 번호경계 = 두 중심의 수직 이등분선(보로노이 분할)
갱신 단계중심 = 군집 평균평균이 제곱 거리 합 최소(Arthur 2007 2.1절)
수렴 판정멈출 때바뀐 표본 0 · 이동 &lt; tol(기본 1e-4) · max_iter 300(scikit-learn KMeans 문서)
SSE(관성)목적 함수 · 비교 기준Σ‖x − μ_c(x)‖² · inertia_

목적 함수는 SSE = Σ‖x − μ_c(x)‖² 하나다. 정확한 최솟값 찾기는 k = 2 에서도 NP-난해라(Arthur 2007 1절) Lloyd 반복은 국소 최솟값에서 멈추고, 그래서 초기화와 n_init 이 구조의 일부가 된다.

🔑 k-평균이 찾는 것은 «SSE 의 최솟값»이 아니라 «배정 · 갱신 어느 쪽으로도 더 줄지 않는 자리»다 — 그래서 같은 k 라도 출발점이 다르면 답이 다르다.

5동작 — 간헐천 분출 272회를 두 군집으로

직접 실행 사례다(NumPy 로 k-평균 · k-평균++ · Gap 통계를 구현 · default_rng(0) 하나).

  1. 미국 옐로스톤 국립공원 간헐천의 분출 272회 기록을 읽는다 — 분출 시간 1.6 ~ 5.1분 · 다음 분출까지 대기 43 ~ 96분 두 열이다(R faithful 문서).
  2. 대기 열의 분산이 분출 시간 열의 약 142배라 그대로 두면 거리를 대기 시간 혼자 정한다 — 열마다 평균(3.488분 · 70.90분) · 표준편차(1.139분 · 13.57분)로 표준화한다.
  3. k = 2 로 k-평균++ 초기화를 한다 — 첫 중심은 무작위로 뽑힌 분출(2.417분 · 54분), 둘째는 D² 비례 확률로 뽑힌 분출(4.567분 · 78분)이며 이 표본의 뽑힐 확률은 0.55% 로 균등(0.37%)의 1.5배였다(Arthur 2007 2.2절).
  4. 반복 1 — 배정 뒤 SSE 102.68, 갱신으로 두 중심이 군집 평균으로 옮겨 80.42 가 되고, 다음 배정에서 2개 표본이 군집을 바꾼다.
  5. 반복 2 · 3 — SSE 79.76 → 79.64(1개 바뀜), 79.61 → 79.58(0개)로 바뀐 표본이 0 이 되어 3회 만에 멈춘다.
  6. 결과 — 군집 A 98회는 분출 2.05분 · 대기 54.6분, 군집 B 174회는 4.30분 · 80.1분이다(원 단위로 되돌림).
  7. k = 1 ~ 8 마다 초기화 10회 중 SSE 최소를 남기면 544 → 79.6 → 56.3 → 43.9 로 k = 2 에서 85% 줄고 그다음은 29% 다. 균등 기준 분포 20벌로 Gap 을 재면 Gap(2) = 1.312 ≥ Gap(3) − s₃ = 1.269 − 0.040 이라 규칙대로 k = 2 를 고른다(Tibshirani 2001).
2 3 4 5 50 60 70 80 90 분출 시간(분) 다음 분출까지 대기(분) 3 3 A B 반복마다 SSE 배정 뒤 → 갱신 뒤 · 바뀐 표본 4 반복 1 102.68 → 80.42 · 2개 5 반복 2 79.76 → 79.64 · 1개 5 반복 3 79.61 → 79.58 · 0개 6 최종 · 바뀐 표본 0 A 98회 · 2.05분 · 54.6분 B 174회 · 4.30분 · 80.1분 네모 = 시작 중심(k-평균++) 굵은 원 = 최종 중심 굵은 선 = 중심이 옮긴 길 계산은 표준화 값 · 그림은 원 단위

그림 4 · 두 중심은 k-평균++ 가 고른 분출 두 곳에서 출발해 반복 1 의 갱신에서 대부분 움직이고, 반복 3 에서 바뀐 표본이 0 이 되어 짧은 분출 · 긴 분출 두 무리에 멈춘다.

같은 데이터에서 시드 0 ~ 19 로 초기화를 한 번씩만 하면 무작위 초기화는 2 ~ 6회, k-평균++ 는 1 ~ 4회 반복에 멈추고 SSE 는 모두 79.58 로 같았다 — 두 무리가 뚜렷한 k = 2 에서는 초기화가 답이 아니라 반복 횟수만 바꾼다.

전체 눈금 100 90 80 102.68 80.42 오른쪽에서 확대 배정1 갱신1 배정2 갱신2 배정3 갱신3 확대 눈금 79.55 ~ 79.80 79.80 79.70 79.60 79.76 · 1개 바뀜 79.64 79.61 · 0개 79.58 멈춤 배정2 갱신2 배정3 갱신3 배정 뒤 SSE 갱신 뒤 SSE 두 단계 모두 SSE 를 늘리지 않음 → 같은 분할이 두 번 나오지 않음 분할의 수 ≤ kⁿ(유한) → 반드시 멈춤 · 사례 3회 · 최악은 평면에서도 2^Ω(n) 회(Vattani 2011)

그림 5 · 배정과 갱신이 번갈아 SSE 를 줄이거나 그대로 두므로 같은 분할이 다시 나오지 않고, 분할의 수가 유한해 반복은 반드시 멈춘다.

🔑 수렴은 «좋은 답에 닿았다»가 아니라 «더 줄일 단계가 없다»는 뜻이다 — 사례처럼 3회에 멈춰도 그 자리가 국소 최솟값인지 전역 최솟값인지는 다른 출발점과 SSE 를 견줘 봐야 안다.

6비교 — k-평균 · 미니배치 · k-중앙자 · 가우스 혼합 · DBSCAN

기준k-평균(Lloyd)미니배치 k-평균k-중앙자(PAM)가우스 혼합(EM)DBSCAN
군집 대표평균(실제 표본 아님)평균의 근사실제 표본 하나평균 · 공분산 · 비율대표 없음 · 밀도 연결
가정하는 모양둥글고 퍼짐이 비슷함k-평균과 같음거리 기준 묶음타원 · 크기 다름 허용모양 제약 없음
반복 한 번 계산n × k배치 b × k표본 쌍 거리n × k × 공분산이웃 검색
이상치중심을 끌고 한 점 군집이 생김같음중앙자가 실제 표본이라 덜 끌림분산이 큰 성분으로 흡수잡음으로 따로 표시
정할 값kk · 배치 크기kk · 공분산 꼴Eps · MinPts
근거Lloyd 1982Sculley 2010Kaufman 1990 2장Dempster 1977Ester 1996
둥글고 크기 같음 k-평균 ARI 1.00 가우스 혼합 1.00 한 방향으로 늘어남 k-평균 ARI 0.85 가우스 혼합 1.00 크기 · 퍼짐 차이 k-평균 ARI 0.06 가우스 혼합 0.96 점 색 = k-평균이 붙인 군집 · 점선 = 실제로 만든 무리(2σ) · ARI = 실제 무리와 일치(1 = 완전) · 합성 데이터 · 점은 일부만 그림

그림 6 · k-평균은 둥글고 크기가 같은 무리는 그대로 찾지만, 한 방향으로 늘어난 무리와 크기 · 퍼짐이 다른 무리는 가로질러 자른다.

미니배치는 표본 1,024개씩 뽑아 중심을 조금씩 옮긴다(scikit-learn MiniBatchKMeans 문서 · batch_size=1024). 합성 데이터 10만 개 · k = 8 에서 같은 시작 중심으로 시드 0 은 전체 Lloyd 가 26회 반복에 거리 2,160만 번, 미니배치 100회가 81.9만 번(26배 적음)을 계산했고 SSE 는 0.57% 컸다. 시드 0 ~ 9 에서 이 차이는 0.09 ~ 20.1% 였고, 초기화를 한 번만 한 전체 Lloyd 끼리도 SSE 가 최대 1.61배 갈렸다.

분석무리가 둥글고 크기가 비슷하며 표본이 수십만 개 이하이면 k-평균에 n_init 을 여러 번 주고, 메모리에 다 올라가지 않으면 미니배치를, 늘어나거나 크기가 다른 무리면 가우스 혼합을, 잡음이 섞이고 모양이 제각각이면 DBSCAN 을 쓴다. 그림 6 에서 늘어난 무리 · 크기 차이 무리의 ARI(Hubert · Arabie 1985)가 k-평균 0.85 · 0.06 대 가우스 혼합 1.00 · 0.96 이고, 미니배치의 SSE 손실(0.09 ~ 20.1%)보다 초기화 차이(최대 1.61배)가 더 컸다.

7실무 진단 — 군집 결과 이상의 원인 가르기

분석표현(표준화) → 초기화 → k → 모양 가정 순으로 본다. 표현이 틀리면 뒤의 모든 판단이 그 거리 위의 판단이 되고(사례 2단계), 초기화가 흔들리면 같은 k 에서도 SSE 가 1.61배까지 갈린다(비교 절 미니배치 실험).

#증상의심 원인단계확인 자료판정 기준
1군집이 한 열의 값으로만 갈림단위 · 분산 차이표현열별 분산 비 · 중심의 원 단위 값분산 비가 수십 배 이상이면 표준화
2실행마다 SSE · 구성이 바뀜국소 최솟값초기화n_init 별 inertia_ 범위최솟값과 몇 % 차이인가 · n_init 늘려 안정
3표본 1 ~ 2개짜리 군집이 생김이상치 · k 과다k · 데이터군집 크기 · 그 표본의 거리가정 값 1점(4.0분 · 200분)을 넣은 사례는 k = 3 에서 혼자 군집
4k 를 바꿔도 SSE 꺾임이 없음군집 구조가 약함kSSE 곡선 · Gap(k) − sGap(k) ≥ Gap(k+1) − sₖ₊₁ 인 첫 k(Tibshirani 2001)
5무리 하나가 여러 조각으로 잘림모양 · 크기 가정 위반모델군집별 공분산 · 크기 비크기 · 퍼짐 차이가 크면 가우스 혼합 · DBSCAN 과 비교

이상치 줄의 사례 값은 설명용 가정 값이다. 같은 점을 넣고 k = 2 로 돌리면 B 중심의 대기 시간이 80.08 → 80.74분으로 끌려가고, k-중앙자는 실제 표본(2.0분 · 55분 · 4.35분 · 80분)을 대표로 남긴다.

8시험 대비

출제 정보 정보관리(130회, 129회)문제 원문 — 큐넷 자료실 「기출문제(기술사)」 www.q-net.or.kr

시험에서는 배정 · 갱신 반복과 목적 함수를 쓰는 정의 · 동작 절차형, 그리고 계층 군집 · DBSCAN · 가우스 혼합과의 차이를 묻는 비교형이 나올 수 있다. 「가까운 중심에 넣고 평균을 다시 구한다」에서 멈추지 말고 SSE 식 · 수렴 이유 · 초기화 · k 선택 · 한계까지 한 답안에 넣는다.

답안 목차
  1. 정의 · 목적 — 비지도 중심 기반 분할 · SSE = Σ‖x − μ‖² 최소화 · 활용(세분화 · 벡터 양자화)
  2. 구조 — 그림 3 초기화 → 배정 → 갱신 → 수렴 판정 · 바깥 반복 n_init
  3. 동작 사례 — 그림 4 272회 분출 · 3회 반복 · SSE 102.68 → 79.58
  4. 수렴 · 초기화 — 그림 5 두 단계 모두 SSE 감소 · 국소 최솟값 · k-평균++ D² 가중 O(log k)
  5. k 선택 · 한계 — 엘보 · Gap 통계 · 그림 6 늘어난 · 크기 다른 무리 · 이상치
  6. 비교 · 개선 — 비교표(미니배치 · k-중앙자 · 가우스 혼합 · DBSCAN) · 선택 기준

꼭 쓸 키워드
배정 단계갱신 단계SSE관성국소 최솟값k-평균++엘보Gap 통계미니배치k-중앙자보로노이 분할

다른 답안과 차이를 내는 한 가지는 그림 5 다 — 「반복하면 수렴한다」 한 줄 대신 두 단계가 각각 SSE 를 늘리지 않는다는 근거와 «유한 번에 멈추지만 최악은 지수 번»을 함께 쓴다.

9오해와 사실

  • 오해k-평균이 수렴하면 SSE 가 가장 작은 군집을 찾은 것이다.
    사실수렴은 국소 최솟값이다 — 합성 데이터 10만 개 · k = 8 에서 초기화를 한 번만 한 실행끼리 SSE 가 최대 1.61배 갈렸다.
  • 오해k 를 늘리면 기존 군집이 조금씩 더 잘게 나뉠 뿐이다.
    사실이상치가 있으면 새 중심이 그 한 점에 가서 크기 1 인 군집이 생긴다(진단 표 셋째 줄).
  • 오해미니배치 k-평균은 품질을 크게 잃는다.
    사실사례의 시드 0 에서 계산을 26분의 1로 줄이고 SSE 는 0.57% 커졌다 — 시드에 따라 손실 폭(0.09 ~ 20.1%)이 갈리므로 같은 시작 중심의 전체 실행과 한 번 견줘 본다.

10핵심 정리

구분맡는 일식 · 값사례 값scikit-learn흔한 실수
표준화단위 영향 제거(x − 평균) ÷ 표준편차대기 분산 = 분출의 약 142배StandardScaler원 단위로 바로 군집
k-평균++출발점 고르기D² 비례 확률 · O(log k)둘째 중심 확률 0.55%init="k-means++"초기화 1회로 끝냄
배정 · 갱신반복 본체가까운 중심 · 군집 평균3회 · 바뀐 표본 2 → 1 → 0max_iter · tol수렴 = 최적으로 읽음
SSE(관성)목적 · 비교Σ‖x − μ‖²102.68 → 79.58inertia_다른 표현끼리 SSE 비교
k 선택군집 수Gap(k) ≥ Gap(k+1) − sk = 2 · Gap 1.312(직접 계산)SSE 만 보고 큰 k
미니배치큰 데이터배치 b 로 중심 이동계산 1/26 · SSE +0.57%MiniBatchKMeans품질 확인 없이 대체
한계모양 · 크기 · 이상치둥근 같은 크기 가정ARI 0.85 · 0.06GaussianMixture 등잘린 무리를 그대로 해석

11참고 문헌

  1. 먼저 볼 문헌
  2. ★ k-means++: The Advantages of Careful Seeding (Proceedings of the 18th Annual ACM-SIAM Symposium on Discrete Algorithms 1027-1035) — D² 가중 초기화 절차와 배정 · 갱신 두 단계가 SSE 를 늘리지 않는 이유를 볼 때
    D. Arthur · S. Vassilvitskii · SIAM · 2007-01 · theory.stanford.edu/~sergei/papers/kMeansPP-soda.pdf · 확인 2026-11-12
  3. ★ Estimating the Number of Clusters in a Data Set via the Gap Statistic (Journal of the Royal Statistical Society Series B 63(2) 411-423) — k 를 SSE 꺾임이 아니라 기준 분포와의 차로 고르는 규칙을 볼 때
    R. Tibshirani · G. Walther · T. Hastie · 2001 · hastie.su.domains/Papers/gap.pdf · 확인 2026-11-12
  4. ★ Old Faithful Geyser Data (R datasets package 4.6.0 faithful) — 사례 데이터 272회 분출 · 두 변수의 단위와 출처를 확인할 때
    R Core Team · 2026-11 · stat.ethz.ch/R-manual/R-devel/library/datasets/html/faithful.html · 확인 2026-11-12
  5. ★ scikit-learn 1.9.1 API sklearn.cluster.KMeans — init · n_init · max_iter · tol 기본값과 inertia_ 속성을 볼 때
    scikit-learn developers · 2026-11 · scikit-learn.org/stable/modules/generated/sklearn.cluster.KMeans.html · 확인 2026-11-12
  6. 본문 근거
  7. Web-Scale K-Means Clustering (Proceedings of the 19th International Conference on World Wide Web 1177-1178) — ACM · 2010-04 · doi.org/10.1145/1772690.1772862 · 확인 2026-11-12
  8. Least Squares Quantization in PCM (IEEE Transactions on Information Theory 28(2) 129-137) — IEEE · 1982-03 · doi.org/10.1109/TIT.1982.1056489 · 확인 2026-11-12
  9. Some Methods for Classification and Analysis of Multivariate Observations (Proceedings of the Fifth Berkeley Symposium on Mathematical Statistics and Probability 1 281-297) — University of California Press · 1967 · projecteuclid.org/euclid.bsmsp/1200512992 · 확인 2026-11-12
  10. k-means Requires Exponentially Many Iterations Even in the Plane (Discrete & Computational Geometry 45(4) 596-616) — Springer · 2011 · cseweb.ucsd.edu/~avattani/papers/kmeans.pdf · 확인 2026-11-12
  11. scikit-learn 1.9.1 API sklearn.cluster.MiniBatchKMeans — scikit-learn developers · 2026-11 · scikit-learn.org/stable/modules/generated/sklearn.cluster.MiniBatchKMeans.html · 확인 2026-11-12
  12. A Density-Based Algorithm for Discovering Clusters in Large Spatial Databases with Noise (KDD-96 226-231) — AAAI · 1996-08 · cdn.aaai.org/KDD/1996/KDD96-037.pdf · 확인 2026-11-12
  13. Maximum Likelihood from Incomplete Data via the EM Algorithm (Journal of the Royal Statistical Society Series B 39(1) 1-38) — Wiley · 1977 · doi.org/10.1111/j.2517-6161.1977.tb01600.x · 확인 2026-11-12
  14. Finding Groups in Data: An Introduction to Cluster Analysis (Chapter 2 Partitioning Around Medoids) — Wiley · 1990-03 · doi.org/10.1002/9780470316801 · 확인 2026-11-12
  15. A Look at Some Data on the Old Faithful Geyser (Applied Statistics 39(3) 357-365) — Royal Statistical Society · 1990 · doi.org/10.2307/2347385 · 확인 2026-11-12
  16. Comparing Partitions (Journal of Classification 2 193-218) — Springer · 1985-12 · doi.org/10.1007/BF01908075 · 확인 2026-11-12