---
id: ML-KMEANS-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
tags: [machine-learning, unsupervised-learning, clustering, k-means, centroids]
last_reinforced: 2026-04-26
---

# K-Means Clustering Foundations (K-Means 클러스터링 기초)

## 📌 한 줄 통찰 (The Karpathy Summary)
> "데이터들 사이의 '무게 중심'을 찾아, 혼돈 속에 숨겨진 집단(Clusters)의 경계를 그려라" — 주어진 데이터를 K개의 클러스터로 묶는 알고리즘으로, 각 클러스터 내의 데이터와 중심점(Centroid) 사이의 거리 합을 최소화하는 방식으로 작동하는 비지도 학습의 고전.

## 📖 구조화된 지식 (Synthesized Content)
- **추출된 패턴:** "Iterative Refinement" — 무작위로 할당된 중심점에서 시작하여, 데이터 할당(Assignment)과 중심점 업데이트(Update)를 반복하며 최적의 군집을 찾아가는 반복적 최적화 패턴.
- **작동 단계:**
    - **Initialization:** K개의 초기 중심점 설정 (K-means++ 등을 사용하여 개선 가능).
    - **Assignment:** 각 데이터를 가장 가까운 중심점에 할당.
    - **Update:** 할당된 데이터들의 평균값으로 중심점 이동.
    - **Convergence:** 중심점의 위치 변화가 없을 때까지 반복.
- **의의:** 고객 세그먼트 분석, 이미지 압축(Color Quantization), 이상치 탐지 등 데이터의 숨겨진 구조를 파악해야 하는 다양한 분야의 토대.

## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
- **과거 데이터와의 충돌:** 원형(Spherical) 형태의 군집만 잘 찾는다는 한계가 있으며, 최근에는 데이터의 복잡한 기하학적 구조를 반영할 수 있는 DBSCAN이나 스펙트럴 클러스터링으로 보완되어 사용됨.
- **정책 변화:** Antigravity 프로젝트는 수만 개의 로우 데이터 로그를 의미 단위로 묶어 지식화할 때, 초기 필터링 단계에서 K-Means 기반의 대규모 클러스터링을 활용하여 데이터의 중복성을 제거함.

## 🔗 지식 연결 (Graph)
- Unsupervised-Learning-Foundations, [[Dimensionality-Reduction|Dimensionality-Reduction]], Distance-Metrics-in-AI, [[Exploratory-Data-Analysis|Exploratory-Data-Analysis]]
- **Raw Source:** 10_Wiki/Topics/AI/K-Means-Clustering-Foundations.md