La agrupación es una técnica común en el análisis de datos utilizado para agrupar puntos de datos similares. Evaluar la calidad de estos grupos es esencial para asegurar resultados significativos, especialmente en aplicaciones de ingeniería donde la precisión impacta la toma de decisiones. Diversas métricas y cálculos ayudan a cuantificar la eficacia de la agrupación se alinea con la estructura de datos subyacente.

Metrices de evaluación interna

Las métricas internas evalúan la cohesión y separación de los racimos basados únicamente en los datos mismos. No requieren etiquetas externas o verdad de tierra. Estas métricas ayudan a determinar qué tan compactas y diferenciadas son los grupos.

  • Punto de la Silueta: Mide lo similar que es un objeto a su propio grupo en comparación con otros grupos. Los valores van de -1 a 1, con puntuaciones más altas que indican una mejor agrupación.
  • Indice de la luna: Evalua la relación entre la distancia más pequeña entre las observaciones en diferentes grupos y la mayor distancia entre partes. Los valores superiores sugieren una mejor separación.
  • Índice de la bouldina-Davies: Calcula la similitud media entre cada grupo y su más similar. Los valores inferiores indican una mejor agrupación.

Metrices de evaluación externa

Las métricas externas comparan los resultados de agrupación con una verdad o etiquetas de tierra predefinidas. Son útiles cuando se conocen las clasificaciones verdaderas, como en escenarios supervisados.

  • Índice de Rand ajustado (ARI): Mide la similitud entre los racimos predichos y las etiquetas verdaderas, ajustando para el azar. Los valores van de -1 a 1.
  • Información Mutua Normalizada (NMI): Cuantifica la dependencia mutua entre el agrupamiento y las etiquetas verdaderas, normalizada para variar entre 0 y 1.
  • Punto de homogénea:] verifica si cada grupo contiene sólo puntos de datos que son miembros de una clase única.

Cálculos e interpretación

La calculadora de estas métricas implica fórmulas específicas y medidas de distancia. Por ejemplo, el Silhouette Score utiliza la distancia intracluster media y la distancia media más cercana para cada punto. Las métricas externas a menudo requieren una matriz de confusión o tabla de contingencias que comparan los cúmulos predicho con verdaderas etiquetas.

Interpretar los resultados depende del contexto. Las puntuaciones más altas de Silhouette y los valores de NMI indican una mejor calidad de agrupación, mientras que los índices inferiores de Davies-Bouldin sugieren agrupaciones bien separadas. Combinar métricas múltiples proporciona una evaluación completa.