이 가이드는 여러분의 여러분의 여러분의 여러분의 여러분의 여러분의 여러분의 여러분의 여러분의 여러분의 여러분의 여러분의 여러분의 여러분의 여러분의 여러분의 여러분의 여러분의 여러분의 여러분의 여러분의 여러분의 여러분의 여러분의 여러분의 여러분의 여러분의 여러분의 여러분의 여러분의 여러분의 여러분의 여러분의 를 진심으로 기다리고 있습니다.

Silhouette 점수 이해

실루엣 점수는 다른 클러스터와 비교하여 클러스터에 유사한 객체가 무엇인지 측정합니다. -1에서 1까지의 범위는 더 높은 값을 나타냅니다. 1점에 가까운 점수는 데이터 포인트가 자신의 클러스터와 거의 일치하고 이웃 클러스터에 일치한다는 것을 제안합니다.

Silhouette 점수 계산

대부분의 기계 학습 라이브러리는 scikit-learn과 같은 기능을 제공합니다. silhouette 점수를 계산하기 위해 데이터 포인트와 클러스터링 알고리즘에 의해 할당 된 라벨이 필요합니다. 이 과정은 각 지점의 인트라 클러스터 거리와 인터 클러스터 거리를 측정하는 데 포함됩니다.

결과의 해석

Silhouette 점수는 다른 클러스터링 모델 또는 매개 변수를 비교할 수 있습니다. 더 높은 점수는 더 많은 응집력과 분리된 클러스터를 나타냅니다. 0 아래의 점수는 잘못된 클러스터에 할당될 수 있으며, 부정적인 점수는 오버랩핑 클러스터를 나타냅니다.

가장 좋은 연습

  • Calculate silhouette는 여러 모델에 대한 점수를 가장 잘 맞는 것을 찾을 수 있습니다.
  • 전체 평가에 대한 모든 데이터 포인트의 평균 점수를 사용합니다.
  • 포괄적인 평가를 위한 다른 미터와 silhouette 점수를 결합하십시오.
  • quantitative 평가를 보완하기 위해 클러스터를 시각화합니다.