이 값에서 벗어나는 경우는 클러스터가 지나치게 밀집되어 있거나(< 2 ) 또는 느슨하게 분포되어 있음을 나타냅니다(>2). 신뢰 타원 외부에 있는 점의 비율(FO)도 계산했으며, 기대값(1- p) 에서 벗어나는 경우는 중첩, 분리 불량 또는 모델 불일치를 의미합니다. 이러한 지표들을 통해 클러스터링의 견고성을 직관적으로 확인할 수 있습니다. 본 연구에서는 클러스터 분산에 대한 충분한 정보를 유지하면서 클러스터 중첩을 최소화하기 위해 p 값을 경험적으로 선택했습니다. 클러스터링 후보는 통계적 간결성, 클러스터 밀집도, 그리고 여러 지표에 걸친 정보 획득 간의 균형을 고려하여 선택했으며, 클러스터 개수 결정 시 주관적인 편향을 최소화했습니다.

원칙적으로는 다른 여러 클러스터링 알고리즘을 사용할 수 있지만, 59 , 60 적절한 알고리즘을 신중하게 선택하는 것이 중요합니다. 특정 데이터 구조는 중요한 고려 사항입니다. 수명-강도 데이터의 경우, 점 밀도는 강도, 수명 및 광자 수에 따라 크게 달라지므로, DBSCAN(density-based spatial clustering of applications with noise)과 같은 클러스터링 패러다임에서 물리적으로 의미 있는 저강도 또는 단수명 상태가 노이즈로 잘못 분류되거나 클러스터 전체에 분산될 수 있습니다.