Table of Contents
क्लस्टरिंग एक सामान्य तकनीक है जिसका उपयोग असुरक्षित शिक्षण में समान डेटा अंक के लिए किया जाता है। इन समूहों की गुणवत्ता का मूल्यांकन सार्थक अंतर्दृष्टि सुनिश्चित करने के लिए आवश्यक है। क्लस्टरिंग मीट्रिक यह निर्धारित करने के लिए कि एल्गोरिदम कितनी अच्छी तरह से प्रदर्शन किया गया है, क्वांटिटेटिव उपाय प्रदान करते हैं।
सामान्य क्लस्टरिंग मेट्रिक्स
कई मीट्रिक क्लस्टरिंग परिणामों का मूल्यांकन करने के लिए उपयोग किए जाते हैं।
- ]Silhouette Score: उपाय कैसे एक वस्तु अन्य समूहों की तुलना में अपने स्वयं के क्लस्टर के लिए है।
- Davies-Bouldin Index: प्रत्येक क्लस्टर और इसके समान एक के बीच औसत समानता को खत्म करता है।
- Calinski-Harabasz सूचकांक]: भीतर क्लस्टर फैलाव के बीच के अनुपात का आकलन करता है।
मेट्रिक्स की गणना
अधिकांश क्लस्टरिंग पुस्तकालयों में इन मीट्रिकों की गणना करने के लिए कार्य प्रदान किए जाते हैं। उदाहरण के लिए, पायथन के स्किकिट-लर्न पुस्तकालय में, आप उपयोग कर सकते हैं:
]silhouette score(), davies bouldin score()], और calinski harabasz score()]]]]]]]]]]]
इन कार्यों को डेटा बिंदुओं और उनके निर्दिष्ट क्लस्टर लेबलों को इनपुट के रूप में आवश्यक है। डेटा के उचित प्रीप्रोसेसिंग और सामान्यीकरण ने मीट्रिक की विश्वसनीयता में सुधार किया।
व्याख्या परिणाम
उच्च सिल्हूट स्कोर अच्छी तरह से परिभाषित क्लस्टर इंगित करते हैं, जबकि कम स्कोर ओवरलैपिंग या खराब अलग समूहों का सुझाव देते हैं। डेविस-बोल्डिन इंडेक्स के लिए, कम मान बेहतर होते हैं, अलग-अलग क्लस्टरों को इंगित करते हैं। Calinski-Harabasz सूचकांक उच्च स्कोर का पक्ष लेता है, बेहतर क्लस्टरिंग संरचना को दर्शाता है।