Clustering

K-Means Clustering

장점:

아주 빠름.

계산량은 O(n)

단점:

클래스/그룹 수(K)를 내가 정해야 한다.

처음에 point를 랜덤하게 고르기 때문에 돌릴 때마다 다른 결과가 나온다.

=> 같은 결과가 별로 반복되지 않으며 지속성이 떨어진다(다른 알고리즘은 이보단 낫다).

Mean-Shift Clustering

장점:

K-Means와 대조적으로 이 알고리즘은 클래스 혹은 그룹의 개수를 정할 필요가 없다. Mean-Shift가 자동적으로 발견한다.

단점:

kernel = 반지름 r 사이즈를 선택해야 한다.

Agglomerative Hierarchical Clustering

장점:

우리에게 클래스 혹은 그룹의 개수를 정하게 하지 않는다.

오히려 우리가 원하는 개수의 클러스터를 언제든지 얻을 수 있다.

거리에 민감하지 않다.

특히 좋은 점은 갖고 있는 데이터가 계층적인 구조를 갖고 있을 때이다. 다른 알고리즘은 이런 상황에서는 별 소용이 없다.

단점:

K-Means나 GMM과 다르게 높은 계산량을 갖는다. O(n^3)

https://michigusa-nlp.tistory.com/27

쿼드트리

대량의 좌표 데이터를 메모리 안에 압축해 저장하기 위해 사용하는 여러 기법 중 쿼드 트리(quad tree)란 것이 있습니다.

https://medium.com/@waleoyediran/spatial-indexing-with-quadtrees-b998ae49336
https://www.geeksforgeeks.org/quad-tree/?ref=lbp