AI › 인공지능 개요 › 머신러닝 › 학습 방식

비지도 학습Unsupervised Learning

정답 레이블 없이 입력 데이터만으로 군집 · 축 · 밀도 · 규칙 같은 구조를 찾는 머신러닝 방식이다.

1요약

  1. 비지도 학습은 지도 · 강화 학습과 함께 머신러닝의 세 학습 방식 가운데 레이블 없는 입력 X 만 받아 구조를 찾는 방식으로(ESL 14장), 그 위에서 군집 · 차원 축소 · 밀도 추정 · 연관 규칙이 돈다.
  2. 레이블이 없으면 지도 학습은 출발하지 못하지만 구조는 측정값에 남아 있다 — 사례에서 와인 178 표본의 화학 측정값 13개만으로 묶은 세 군집이 숨겨 둔 품종과 ARI 0.897(178 중 172 일치)로 맞았다.
  3. 「군집이 업무와 맞지 않는다」는 먼저 특징 하나가 전체 분산을 차지하는가로 가른다 — 사례 원 값에서는 프롤린 한 특징이 분산의 99.8% 를 차지해 ARI 가 0.371 에 그쳤고, 표준화만으로 0.897 이 됐다.

2등장 배경

측정값은 쌓이는데 정답을 붙일 사람이 없거나, 정답 자체가 아직 정해지지 않은 일이 많았다. 1901년 Pearson 은 공간의 점들에 가장 가까운 직선 · 평면을 찾는 문제를 풀어(Pearson 1901) 주성분 분석의 출발점을 놓았고, 1967년 MacQueen 은 표본을 가장 가까운 평균에 배정하는 절차를 「k-means」라고 불렀다(MacQueen 1967). 같은 반복은 Lloyd 가 신호 양자화 문제로 1982년 학술지에 실었다(Lloyd 1982).

군집을 레이블 없이 재는 기준은 1987년 Rousseeuw 의 실루엣이 정했고(Rousseeuw 1987), 1989년 Barlow 는 중복을 줄이는 표현을 찾는 일을 비지도 학습이라는 이름으로 정리했다(Barlow 1989). 1996년 Ester 등은 반지름 Eps 안의 이웃 수 MinPts 로 임의 모양 군집과 잡음을 가르는 DBSCAN 을 냈고(Ester 1996 정의 1), 2002년 Kleinberg 는 척도 불변성 · 풍부성 · 일관성 세 성질을 모두 만족하는 군집 함수가 없음을 증명했다(Kleinberg 2002 정리 2.1).

2007년 k-평균++ 가 초기 중심을 거리 제곱에 비례해 뽑아 최적 대비 O(log k) 근사를 보였고(Arthur 2007), 지금 k-평균 구현의 표준 초기화가 됐다. 지금 비지도 학습은 고객 · 제품 묶기, 지도 학습 전의 차원 축소, 이상 후보 찾기에 쓰이고, 레이블 없는 대량 데이터로 표현을 미리 배우는 일은 자기 지도 학습이 이어받았다.

3쉽게 이해하기 — 꼬리표 없는 기증 책을 정리하는 헌책방 하린

헌책방 주인 하린은 분류 꼬리표가 하나도 없는 기증 책 600권을 받았다. 하린은 책마다 쪽수와 표지 밝기를 재고, 두 값을 같은 잣대로 맞춘 뒤 서로 가까운 책끼리 책장에 모은다. 책장 가운데를 다시 잡고 다시 모으기를 책이 더 움직이지 않을 때까지 되풀이하고, 책장을 두 칸에서 여섯 칸까지 바꿔 가며 가장 촘촘한 칸 수를 고른다. 책장 이름은 정리가 끝난 뒤 하린이 책을 펼쳐 보고 직접 붙이고, 단골손님이 원하는 책을 쉽게 찾는지로 정리가 잘됐는지 확인한다.

기증 책 600권 분류 꼬리표 없음 1 레이블 없는 데이터 X 쪽수 · 표지 밝기 책마다 두 값을 잼 특징 · 측정값 잣대 맞추기 두 값을 같은 눈금 2 표준화 · 거리 정의 하린 군집 알고리즘 3 가까운 책장으로 가운데와의 거리 가운데 다시 잡기 안 움직일 때까지 책장 수 바꿔 보기 두 칸 ~ 여섯 칸 배정 · 중심 갱신 · k 책장 셋 칸 안이 촘촘함 4 군집 · 내부 지표 이름표는 나중에 하린이 펼쳐 보고 사람의 해석 찾기 쉬운가 단골손님으로 확인 5 외부 · 하류 평가 데이터 특징 거리 · 학습 규칙 출력 · 평가 사람

그림 1 · 꼬리표 없는 책을 같은 잣대로 재어 가까운 것끼리 모으고, 이름표는 정리가 끝난 뒤 사람이 붙인다.

꼬리표 없음기증 책 600권
잣대 맞추기쪽수 · 밝기를 같은 눈금
가까운 책장가운데와 거리로
가운데 다시안 움직일 때까지
칸 수 바꾸기두 칸 ~ 여섯 칸
이름표정리 뒤 사람이
비유 — 책 두 권 사이의 거리 실제 — 와인 측정값 13개의 분산 비율 책 A — 320쪽 · 밝기 0.2 책 B — 620쪽 · 밝기 0.8 잣대 그대로 — 차이의 제곱 쪽수 300² = 90,000 밝기 0.6² = 0.36 · 거의 0 잣대 맞춘 뒤 — 쪽수 ÷ 250 · 밝기 ÷ 0.25 쪽수 1.2 밝기 2.4 프롤린 표준편차 314.02 색조 표준편차 0.23 원 값 그대로 프롤린 99.8% 나머지 12개 합 0.2% 표준화 뒤 — 13개 각 1/13 각 7.7% · 첫 구간 = 프롤린 거리를 독차지하는 값(쪽수 · 프롤린) 다른 특징(밝기 · 나머지 측정값) 책 값 = 설명용 가정 값

그림 2 · 잣대를 맞추지 않으면 숫자가 큰 쪽수가 거리를 독차지하고, 맞추면 표지 밝기 차이가 더 크게 보인다.

비유 속 역할실제 이름실제로 하는 일
꼬리표 없는 기증 책레이블 없는 데이터 X표본마다 측정값만 있고 정답 y 는 없다
쪽수 · 표지 밝기특징표본을 숫자 벡터로 바꾼다
잣대 맞추기표준화 · 거리 정의무엇을 «가깝다»고 볼지 정한다
가까운 책장으로군집 배정표본을 가장 가까운 중심의 군집에 넣는다
가운데 다시 잡기중심 갱신 · 반복목적 함수가 더 줄지 않을 때까지 되풀이한다
칸 수 바꿔 보기k 선택 · 내부 지표k 마다 실루엣 · SSE 를 비교한다
나중에 붙이는 이름표해석군집 중심을 원 단위로 읽고 사람이 이름을 붙인다
찾기 쉬운가외부 · 하류 평가일부 레이블 · 다음 업무 성능으로 쓸모를 잰다

⚠ 비유가 맞지 않는 곳: 하린은 책을 펼쳐 장르를 짐작할 수 있지만, 알고리즘은 사람이 정한 측정값의 거리만 보고 「군집 0 · 1 · 2」 번호를 줄 뿐이다. 측정값에 장르를 가르는 정보가 없으면 아무리 반복해도 장르별 책장은 나오지 않는다.

4구조 — 표현 · 목적 함수 · 출력 · 평가

입력 X 178 표본 × 13 레이블 y 없음 표현 정하기 특징 · 척도 · 거리 사례 = 표준화 비지도 학습의 구성 — 방식마다 목적 함수가 다르다 군집 군집 안 거리 합 최소 차원 축소 남기는 분산 최대 밀도 추정 정상 데이터 가능도 연관 규칙 함께 나오는 빈도 군집 번호 표본마다 0 ~ k−1 축 좌표 13 → 2축 등 이상 점수 드문 표본 순위 X → Y 규칙 지지도 · 신뢰도 사람 해석 이름 · 쓰임 정함 평가 — 학습 고리 밖 내부 지표(실루엣 · SSE · 설명 분산) · 외부 지표(일부 레이블과 ARI) · 다음 업무 성능 데이터 표현 · 학습 규칙 방식(목적 함수) 출력 사람 평가

그림 3 · 입력에는 레이블이 없고, 사람이 고른 표현과 목적 함수가 구조를 정하며, 평가는 고리 밖에서 내부 지표 · 일부 레이블 · 다음 업무로 한다.

요소역할사례 값근거
입력 X레이블 없는 측정값178 표본 · 화학 측정값 13개UCI Wine
표현 · 거리무엇을 가깝다고 볼지 정함표준화 뒤 유클리드 거리ESL 14장
목적 함수방식이 줄이거나 키우는 값k-평균 SSE = Σ‖x − μ_c‖²Lloyd 1982
초기화반복의 출발점 · 결과를 바꿈k-평균++ 10회 중 SSE 최소Arthur 2007
출력군집 번호 · 축 · 점수 · 규칙군집 셋(62 · 51 · 65 표본)직접 실행
내부 지표레이블 없이 묶음의 질을 잼실루엣 s = (b − a) / max(a, b)Rousseeuw 1987
외부 지표레이블이 일부 있을 때 대조ARI · 우연 일치 보정Hubert 1985
해석중심을 원 단위로 읽고 이름 붙임군집 A = 프롤린 1,100직접 실행

실루엣의 a 는 같은 군집 안 평균 거리, b 는 가장 가까운 다른 군집까지의 평균 거리이고 −1 ~ 1 사이 값을 갖는다(Rousseeuw 1987). ARI 는 두 분할이 표본 쌍을 같게 묶은 비율을 우연 기대값으로 보정해 무작위 분할이면 0 근처, 완전 일치면 1 이 된다(Hubert 1985).

🔑 비지도 학습은 정답 대신 목적 함수를 받는다 — 무엇을 «비슷하다»고 볼지는 데이터가 아니라 사람이 고른 특징 · 척도 · 거리가 정한다.

5동작 — 와인 178 표본을 레이블 없이 세 군집으로

Python 3.14.0 · NumPy 2.4.3 으로 k-평균 · k-평균++ · 실루엣 · ARI 를 직접 구현해 실행한 사례다(default_rng(0) · scikit-learn 없이). 품종 레이블은 학습에 쓰지 않고 마지막 평가 때만 꺼낸다.

  1. UCI 와인 데이터 178 표본을 읽는다 — 같은 지역 세 품종의 화학 측정값 13개 · 품종 수 59 · 71 · 48 은 숨긴다(UCI Wine).
  2. 원 값 그대로 k = 3 으로 묶으면 프롤린(표준편차 314.02)이 전체 분산의 99.8% 를 차지해, 군집 중심이 프롤린 458 · 728 · 1,195 로만 갈리고 숨긴 품종과의 ARI 는 0.371 이다.
  3. 13 특징을 평균 0 · 표준편차 1 로 표준화해 특징마다 분산 비율을 1/13(7.7%)로 맞춘다.
  4. k = 2 ~ 6 마다 k-평균++ 로 초기 중심을 10번 뽑아 SSE 가 가장 작은 실행을 남긴다 — k = 3 은 7회 반복에서 SSE 2,314.1 → 1,277.9 로 수렴한다(Arthur 2007 2.2절).
  5. 실루엣이 k = 2 · 3 · 4 · 5 · 6 에서 0.268 · 0.285 · 0.245 · 0.200 · 0.204 로 k = 3 에서 가장 크고, SSE 도 1,659 → 1,278 → 1,180 으로 k = 3 뒤에 줄어드는 폭이 작아져 k = 3 을 고른다.
  6. 주성분 두 축(설명 분산 36.2% · 19.2%)에 세 군집을 비춰 겹침을 보고, 중심을 원 단위로 읽어 이름을 붙인다 — A 는 플라바노이드 3.00 · 프롤린 1,100, B 는 플라바노이드 0.82 · 색 강도 7.23, C 는 색 강도 2.97 · 알코올 12.25 다.
  7. 평가 때만 품종을 꺼내 대조하면 178 표본 중 172개가 품종 하나와 짝지어지고 ARI 는 0.897 이며, 어긋난 6개는 모두 품종 2 표본이다(Hubert 1985).

초기 중심을 10번 뽑는 대신 한 번만 뽑으면 시드 0 ~ 19 에서 ARI 가 0.381 ~ 0.915 로 흔들리고, 10번 뽑아 SSE 최소를 남기면 시드 0 ~ 9 모두 0.897 로 같다. 2단계의 원 값 군집은 실루엣이 0.571 로 표준화 군집(0.285)보다 높지만 품종과는 훨씬 덜 맞는다.

1 데이터 178 표본 · 측정값 13 품종 59 · 71 · 48 품종은 숨김 · 평가 때만 2 원 값 그대로 k = 3 프롤린 분산 99.8% 중심 프롤린 458 · 728 · 1,195 ARI 0.371 · 실루엣 0.571 3 표준화 평균 0 · 표준편차 1 특징마다 분산 7.7% 거리 = 유클리드 4 k-평균++ · 10회 k = 2 ~ 6 마다 SSE 최소 k = 3 · 7회 반복 수렴 SSE 2,314.1 → 1,277.9 5 k 고르기 실루엣 k = 2 ~ 6 비교 k = 3 에서 최대 0.285 SSE 1,659 → 1,278 → 1,180 다음 — 그림 5 6단계 주성분 평면 · 이름 7단계 숨긴 품종과 대조 데이터 실패한 시도(척도 무시) 표현 · 학습 규칙 평가 · 선택

그림 4 · 레이블을 숨긴 채 원 값 → 표준화 → k-평균++ → k 선택 순으로 가며, 품종은 그림 5 의 7단계에서 처음 꺼낸다.

주성분 평면의 세 군집 6 −4 0 4 −4 0 4 주성분 1 · 설명 분산 36.2% 주성분 2 · 19.2% A B C 숨긴 품종과 대조 7 품종 1 품종 2 품종 3 군집 A 군집 B 군집 C 59 3 0 0 3 48 0 65 0 172 / 178 일치 · ARI 0.897 중심을 원 단위로 읽기 A — 플라바노이드 3.00 프롤린 1,100 B — 플라바노이드 0.82 색 강도 7.23 C — 색 강도 2.97 알코올 12.25 굵은 테두리 = 품종과 다른 군집

그림 5 · 주성분 평면에서 세 군집은 거의 겹치지 않고, 품종과 어긋난 6 표본은 모두 군집 사이 경계에 놓인 품종 2 다.

같은 표현 안 — k 별 지표(표준화) 다른 표현 사이 — k = 3 1.0 0.75 0.5 0.25 0 2 3 4 5 6 군집 수 k k = 3 고름 ARI 0.897 실루엣 0.285 0.389 0.268 0.573 0.204 0.571 0.371 0.285 0.897 원 값 표준화 프롤린이 거리 독차지 13 특징 같은 비중 실루엣(내부 · 레이블 없이) ARI(외부 · 숨긴 품종과 대조) 고른 k

그림 6 · 실루엣은 같은 표현 안에서 k 를 고를 때 품종과의 일치(ARI)와 같은 k 를 가리키지만, 표현이 다르면 실루엣이 높은 쪽이 오히려 덜 맞는다.

🔑 내부 지표는 같은 표현 안에서 k 를 고를 때만 믿는다 — 사례 원 값 군집은 실루엣 0.571 로 표준화 군집 0.285 보다 높지만 품종과의 ARI 는 0.371 대 0.897 이다.

6비교 — 비지도 학습 안의 다섯 방식

지도 · 강화 학습과 레이블 · 평가 · 비용을 견준 표는 지도 학습에서 다루므로, 여기서는 비지도 학습 안의 방식끼리 견준다.

방식줄이거나 키우는 값출력대표 알고리즘사람이 정할 값맞는 문제
군집군집 안 거리 합 · 밀도 연결표본마다 군집 번호k-평균 · DBSCAN · 계층 군집k · Eps · MinPts고객 · 제품 묶기
차원 축소남기는 분산축 좌표 · 적재값PCA남길 축 수시각화 · 다음 모델 입력 줄이기
밀도 추정 · 이상 점수정상 데이터 가능도 · 고립 깊이표본마다 점수가우시안 혼합 · Isolation Forest점수 임계값드문 표본 찾기
연관 규칙함께 나오는 빈도X → Y 규칙Apriori · FP-growth최소 지지도 · 신뢰도장바구니 · 동시 발생
표현 학습재구성 오차압축 벡터오토인코더 · VAE병목 크기영상 · 신호 원자료 특징

분석사람이 읽고 이름 붙일 묶음이 필요하면 군집을, 변수끼리 상관이 커서 다음 모델의 입력을 줄여야 하면 차원 축소를, 드문 표본 하나를 찾아야 하면 밀도 추정 · 이상 점수를 고른다. 근거는 표의 「출력」 · 「사람이 정할 값」 열이고, 사례 6단계처럼 군집 결과를 차원 축소 평면에 비춰 보는 식으로 둘을 함께 쓰는 일이 많다.

군집이 둥글지 않거나 잡음 표본이 섞이면 k-평균 대신 반지름 Eps 안 이웃 수로 군집을 넓히는 DBSCAN 이 맞고, 이때는 k 대신 Eps · MinPts 를 사람이 정한다(Ester 1996 정의 1 · 2).

7실무 진단 — 군집 결과가 이상할 때의 원인 가르기

분석표현 → 초기화 → k → 지표 순으로 본다. 표현이 틀리면 뒤의 k · 지표 판단이 모두 그 표현 위의 판단이 되고(사례 2단계 · 그림 6), 초기화가 흔들리면 같은 k 에서도 결과가 바뀐다(Arthur 2007).

#증상의심 원인단계확인 자료판정 기준(근거)
1군집이 특징 하나의 구간으로만 갈림척도 차이표현특징별 분산 비율 · 원 단위 군집 중심표한 특징의 분산 비율이 대부분이면(사례 프롤린 99.8%) 표준화 뒤 다시 실행(사례 2 · 3단계)
2실행할 때마다 군집 구성이 바뀜초기 중심 · 국소 최솟값학습초기화 여러 번의 SSE · 실행 사이 ARI초기화 1회 실행 사이 ARI 가 0.381 ~ 0.915 처럼 흔들리면 k-평균++ 여러 번 중 SSE 최소를 남김(Arthur 2007)
3k 를 바꿔도 실루엣이 비슷하고 꺾임이 없음구조가 약함 · 둥글지 않은 군집모델 선택k 별 실루엣 · SSE 곡선 · 밀도 기반 결과실루엣 최댓값이 뚜렷하지 않으면 군집 모양 가정을 의심하고 DBSCAN 과 비교(Rousseeuw 1987 · Ester 1996)
4지표는 좋은데 업무 쪽에서 의미가 없다고 함표현이 업무 기준과 다름평가일부 레이블 표본과의 ARI · 중심의 원 단위 해석표현이 다른 군집끼리 실루엣을 비교하지 않고, 일부 레이블과의 ARI 로 견줌(Hubert 1985 · 그림 6)

운영 데이터가 학습 때 군집 중심에서 점점 멀어지는 문제는 모델 모니터링이, 군집을 쓰지 않고 드문 표본 하나를 찾는 문제는 이상 탐지가 다룬다.

8시험 대비

출제 정보 컴퓨터시스템응용(120회)문제 원문 — 큐넷 자료실 「기출문제(기술사)」 www.q-net.or.kr

시험에서는 비지도 학습의 정의 · 방식 · 평가를 쓰는 정의 · 특징형, 그리고 군집 · 차원 축소 · 밀도 추정 · 연관 규칙을 목적 함수와 출력으로 가르는 비교형이 나올 수 있다. 「레이블이 없는데 어떻게 평가하는가」를 내부 · 외부 지표로 나눠 쓰면 정의 수준을 넘는다.

답안 목차
  1. 개요 — 정의(레이블 없는 X 에서 구조 찾기 · ESL 14장) · 지도 · 강화 학습과 정답을 주는 주체의 차이 한 줄
  2. 구성 — 그림 3 구조(표현 · 목적 함수 · 출력 · 사람 해석 · 고리 밖 평가)
  3. 방식 비교 — 다섯 방식 표(줄이거나 키우는 값 · 출력 · 대표 알고리즘 · 사람이 정할 값)
  4. 절차 사례 — 그림 4 · 그림 5(178 표본 · 표준화 · k-평균++ · k = 3 · ARI 0.897)
  5. 평가 — 실루엣 식 · ARI · 그림 6(같은 표현 안 k 선택 ↔ 표현 사이 비교 금지)
  6. 한계와 대응 — 척도 의존(프롤린 99.8%) · 초기화(0.381 ~ 0.915) · 불가능성 정리(Kleinberg 2002) · 준지도 · 자기 지도 학습으로 연결

꼭 쓸 키워드
군집차원 축소밀도 추정연관 규칙목적 함수표준화k-평균++실루엣ARI불가능성 정리

다른 답안과 차이를 내는 한 가지는 그림 6 이다 — 「실루엣으로 k 를 고른다」 한 줄 대신, 같은 표현 안에서는 실루엣과 ARI 가 같은 k 를 가리키지만 표현이 다르면 실루엣 0.571 이 ARI 0.371 에 그친다는 것을 숫자로 보인다.

9오해와 사실

  • 오해비지도 학습은 사람이 정하는 것이 없다.
    사실특징 · 척도 · 거리 · k 를 사람이 정하고, 사례에서는 척도만 바꿨는데 숨긴 품종과의 ARI 가 0.371 에서 0.897 로 달라졌다.
  • 오해좋은 군집 알고리즘은 어떤 데이터에서도 하나의 «진짜» 군집을 찾는다.
    사실척도 불변성 · 풍부성 · 일관성 세 성질을 모두 만족하는 군집 함수는 없으므로(Kleinberg 2002 정리 2.1), 어떤 알고리즘이든 셋 중 하나를 포기한 기준이다.
  • 오해k-평균은 같은 데이터 · 같은 k 에서 늘 같은 답을 준다.
    사실초기 중심에 따라 국소 최솟값이 달라, 사례에서 초기화 1회 실행은 시드마다 ARI 0.381 ~ 0.915 였다(Arthur 2007 1절).

10핵심 정리

구분맡는 일사례 값확인 지표 · 식흔한 실패
입력 X레이블 없는 측정값178 × 13특징별 분산 비율척도를 보지 않음
표현 · 척도가깝다의 정의표준화 · 각 7.7%원 값 분산 비율 99.8%원 값 그대로 묶음
목적 함수방식이 최적화하는 값SSE 1,277.9Σ‖x − μ_c‖²방식과 문제 불일치
초기화반복 출발점k-평균++ 10회실행 사이 ARI1회 실행 · 0.381 ~ 0.915
내부 지표레이블 없이 k 선택실루엣 k = 3 · 0.285(b − a) / max(a, b)표현 사이 비교
외부 지표일부 레이블과 대조ARI 0.897 · 172/178우연 보정 일치정확도처럼 읽음
해석이름 · 쓰임 정함A = 프롤린 1,100원 단위 중심표번호를 정답으로 봄

11참고 문헌

  1. 먼저 볼 문헌
  2. ★ Wine (UCI Machine Learning Repository · DOI 10.24432/C5PC7J · CC BY 4.0) — 사례 데이터 178 표본 · 측정값 13개를 내려받아 따라 해 볼 때
    UCI Machine Learning Repository · 1991-07 · archive.ics.uci.edu/dataset/109/wine · 확인 2026-11-12
  3. ★ An Impossibility Theorem for Clustering (Advances in Neural Information Processing Systems 15) — 모든 데이터에 맞는 군집 기준이 왜 없는지 세 성질로 볼 때
    NeurIPS · 2002-12 · proceedings.neurips.cc/paper_files/paper/2002/file/43e4e6a6f341e00671e123714de019a8-Paper.pdf · 확인 2026-11-12
  4. ★ k-means++: The Advantages of Careful Seeding (Proc. 18th ACM-SIAM Symposium on Discrete Algorithms 1027-1035) — k-평균 초기화가 결과를 바꾸는 이유와 k-평균++ 를 볼 때
    SIAM · 2007-01 · theory.stanford.edu/~sergei/papers/kMeansPP-soda.pdf · 확인 2026-11-12
  5. ★ Silhouettes: A Graphical Aid to the Interpretation and Validation of Cluster Analysis (Journal of Computational and Applied Mathematics 20 53-65) — 레이블 없이 군집 품질을 재는 실루엣 식을 볼 때
    Elsevier · 1987-11 · doi.org/10.1016/0377-0427(87)90125-7 · 확인 2026-11-12
  6. ★ The Elements of Statistical Learning 2nd ed. (Hastie · Tibshirani · Friedman) Chapter 14 Unsupervised Learning — 군집 · 주성분 · 연관 규칙을 한 장에서 통계 관점으로 볼 때
    Springer · 2017-01 · hastie.su.domains/ElemStatLearn/ · 확인 2026-11-12
  7. 본문 근거
  8. Comparing Partitions (Journal of Classification 2(1) 193-218) — Springer · 1985-12 · doi.org/10.1007/BF01908075 · 확인 2026-11-12
  9. A Density-Based Algorithm for Discovering Clusters in Large Spatial Databases with Noise (Proc. KDD-96 226-231) — AAAI · 1996-08 · cdn.aaai.org/KDD/1996/KDD96-037.pdf · 확인 2026-11-12
  10. On Lines and Planes of Closest Fit to Systems of Points in Space (Philosophical Magazine Series 6 2(11) 559-572) — Taylor & Francis · 1901-11 · doi.org/10.1080/14786440109462720 · 확인 2026-11-12
  11. Some Methods for Classification and Analysis of Multivariate Observations (Proc. 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
  12. 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
  13. Unsupervised Learning (Neural Computation 1(3) 295-311) — MIT Press · 1989-09 · doi.org/10.1162/neco.1989.1.3.295 · 확인 2026-11-12
  14. NumPy v2.4 Manual - Random Generator (numpy.random.default_rng) — NumPy Developers · 2026-11 · numpy.org/doc/stable/reference/random/generator.html · 확인 2026-11-12