अनसुपरविज़्ड लर्निंग मॉडल का उपयोग बिना किसी लेबल के परिणामों के डेटा में पैटर्न की पहचान करने के लिए किया जाता है। उनके प्रदर्शन का मूल्यांकन चुनौतीपूर्ण हो सकता है, लेकिन सिल्हूट स्कोर क्लस्टरिंग परिणामों की गुणवत्ता का आकलन करने के लिए एक उपयोगी मीट्रिक प्रदान करते हैं। यह गाइड बताता है कि कैसे अपने मॉडल को प्रभावी ढंग से मूल्यांकन करने के लिए सिल्हूट स्कोर का उपयोग करें।

सिल्हूट स्कोर को समझना

सिल्हूट स्कोर यह निर्धारित करता है कि किसी वस्तु को अन्य समूहों की तुलना में अपने स्वयं के क्लस्टर के समान कैसे बनाया गया है। यह -1 से 1 तक है, जहां उच्च मूल्य बेहतर क्लस्टरिंग को इंगित करते हैं। 1 के करीब एक स्कोर से पता चलता है कि डेटा अंक अपने स्वयं के क्लस्टर से अच्छी तरह मेल खाते हैं और खराब पड़ोसी समूहों से मेल खाते हैं।

सिल्हूट स्कोर की गणना

अधिकांश मशीन लर्निंग पुस्तकालयों, जैसे कि स्किकिट-लर्न, सिल्हूट स्कोर को गणना करने के लिए कार्य प्रदान करते हैं। इसकी गणना करने के लिए, आपको अपने डेटा बिंदुओं और लेबल की आवश्यकता है जो आपके क्लस्टरिंग एल्गोरिदम द्वारा निर्धारित किया गया है। इस प्रक्रिया में प्रत्येक बिंदु के लिए इंट्रा-क्लस्टर दूरी और अंतर-क्लस्टर दूरी को मापने शामिल है।

व्याख्या परिणाम

सिल्हूट स्कोर विभिन्न क्लस्टरिंग मॉडल या मापदंडों की तुलना में मदद करते हैं। उच्च स्कोर अधिक एकजुट और अलग क्लस्टर इंगित करता है। 0 से नीचे स्कोर का सुझाव है कि डेटा अंक गलत क्लस्टर को सौंपा जा सकता है, और नकारात्मक स्कोर ओवरलैपिंग क्लस्टर को इंगित करता है।

सर्वश्रेष्ठ अभ्यास

  • कई मॉडलों के लिए सिल्हूट स्कोर की गणना करने के लिए सबसे अच्छा फिट खोजने के लिए।
  • समग्र मूल्यांकन के लिए सभी डेटा बिंदुओं पर औसत स्कोर का उपयोग करें।
  • व्यापक मूल्यांकन के लिए अन्य मीट्रिक के साथ सिल्हूट स्कोर को मिलाएं।
  • मात्रात्मक मूल्यांकन के पूरक के लिए क्लस्टरों को दृश्यित करें।