監視されていないモデルは、ラベル付き出力なしでデータを分析するために使用されます。 パフォーマンスを評価するには、モデルがデータ構造を根本的に捉える方法を測定する特定のメトリックが必要です。 この記事では、一般的なメトリック、それらの計算、および結果の解釈方法について説明します。

一般的な評価メトリック

複数のメトリックは、クラスタリング品質測定や寸法削減評価など、監視されていないモデルを評価するために使用されます。 これらのメトリックは、モデルがデータパターンをどのように効果的に表すかを判断するのに役立ちます。

メトリックと計算

広く使われているメトリックは、他のクラスターと比較してオブジェクトが独自のクラスターにどのように似ているかを測定するシルエットスコアです。 より良いクラスタリングを示す高い値で-1から1の範囲です。

もう1つのメトリックは、クラスターの分離とコンパクト性を評価するDavies-Bouldinインデックスです。 値が下げると、より良いクラスタリング品質が示唆されます。

寸法削減のために、説明された変化率は、主要なコンポーネントによって保持される情報量を示します。各コンポーネントの説明の分散をまとめることによって計算されます。

通訳実績

より高くシルエットのスコアは、ほとんど定義されたクラスターを、より低いダビスブルジンの索引の価値は明確な分離を提案します。 寸法減少では、より高い明白な変化の比率はより有効なデータ圧縮を示します。

異なるモデルやパラメータ設定でこれらのメトリックを比較して、特定のデータセットの最適なアプローチを選択することが重要である。