Klusterien klusterien laadun arviointi on erittäin tärkeää, jotta voidaan varmistaa merkitykselliset tulokset erityisesti sovelluksissa, joissa tarkkuus vaikuttaa päätöksentekoon. Erilaiset mittarit ja laskelmat auttavat määrittämään, miten hyvin klusterien ryhmittely vastaa taustalla olevaa datarakennetta.

Sisäinen arviointi Metrics

Sisäiset mittarit arvioivat klusterien yhteenkuuluvuutta ja erottelua pelkästään itse tietojen perusteella. Ne eivät edellytä ulkoisia merkkejä tai maatotuutta. Nämä mittarit auttavat määrittämään, kuinka kompaktit ja erilliset klusterit ovat.

  • Silhouette pistemäärä:[ Mittaa, miten samanlainen kohde on oman klusterinsa kanssa verrattuna muihin klustereihin. Arvot vaihtelevat -1:stä 1:een, jolloin korkeammat pistemäärät osoittavat parempaa klusterien ryhmittelyä.
  • Dunn Index:[ Arvioi eri klustereiden havaintojen pienimmän etäisyyden ja suurimman klusterinsisäisen etäisyyden välisen suhteen. Korkeammat arvot viittaavat parempaan erotteluun.
  • Davies-Bouldin Index: Laskee kunkin ryppään ja sen kaikkein samankaltaisten ryppäiden keskimääräisen samankaltaisuuden. Alemmat arvot osoittavat parempaa ryhmittelyä.

Ulkopuolinen arviointi Metrics

Ulkoiset mittarit vertaavat klusterien tuloksia ennalta määritettyyn maa-todellisuuteen tai tarroihin. Ne ovat hyödyllisiä, kun todelliset luokitukset tunnetaan, kuten valvotuissa skenaarioissa.

  • Osoitettu Rand Index (ARI):[ Mittaa ennustettujen klusterien ja todellisten tarrojen samankaltaisuuden, säätämällä sattumanvaraisia arvoja. Arvot vaihtelevat -1:stä 1.
  • Normalisoidut keskinäiset tiedot (NMI): Määrittää klusterien ja todellisten tarrojen keskinäisen riippuvuuden, normalisoidaan 0:n ja 1:n välille.
  • Homogeneiteettipisteet:[ Tarkistaa, sisältääkö kukin klusteri vain yhden luokan tietopisteitä.

Laskelmat ja tulkinta

Näiden mittareiden laskeminen edellyttää erityisiä kaavoja ja etämittauksia. Esimerkiksi Silhouette Score käyttää keskiväliä klusterietäisyydeltä ja keskilähintä klusterietäisyyttä jokaiselle pisteelle. Ulkoiset mittarit vaativat usein sekaannusmatriisin tai valmiustaulukon, jossa verrataan ennustettuja klustereita todellisiin tarroihin.

Tulosten tulkitseminen riippuu kontekstista. Korkeammat Silhouetten tulokset ja NMI-arvot osoittavat parempaa klusterointilaatua, kun taas pienemmät Davies-Bouldin-indeksit viittaavat hyvin eroteltuihin klustereihin. Useiden mittareiden yhdistäminen tarjoaa kattavan arvioinnin.