La valutazione della qualità di questi cluster è essenziale per garantire una comprensione significativa. Le metriche di clustering forniscono misure quantitative per valutare il modo in cui l'algoritmo ha eseguito.

Metrica di clustering comune

Diversi metrici sono utilizzati per valutare i risultati di clustering. Il più popolare includono:

  • Silhouette Score[[]: Misura come un oggetto sia simile al proprio cluster rispetto ad altri cluster.
  • Davies-Bouldin Index[[]: Valuta la somiglianza media tra ogni cluster e quello più simile.
  • Calinski-Harabasz Index[[[]: Assesse il rapporto tra dispersione del cassone e dispersione interna.

Calcolo dei Metrici

La maggior parte delle librerie di clustering fornisce funzioni per calcolare queste metriche. Ad esempio, nella libreria di Python, è possibile utilizzare:

]silhouette score()[, []davies bouldin score(), e calinski harabasz score()]].

Queste funzioni richiedono i punti di dati e le loro etichette di cluster assegnate come input.

Risultati di interpretariato

Per l'indice Davies-Bouldin, i valori inferiori sono migliori, indicando cluster distinti. L'indice Calinski-Harabasz favorisce punteggi più alti, riflettendo una migliore struttura di raggruppamento.