클러스터링은 그룹과 유사한 데이터 포인트에 사용되는 탁월한 학습에 공통된 기술입니다. 이러한 클러스터의 품질을 평가하는 것은 의미있는 통찰력을 보장하기 위해 필수적입니다. 클러스터링 미터는 알고리즘이 수행되는 방법을 평가하기 위해 양적 조치를 제공합니다.

일반적인 클러스터링 미터

몇몇 미터는 클러스터링 결과를 평가하기 위하여 이용됩니다. 대중적인은 다음을 포함합니다:

  • 실루엣 점수: 다른 클러스터와 비교된 객체가 자체 클러스터에 어떻게 유사한지 측정합니다.
  • Davies-Bouldin Index: 각 클러스터와 가장 유사한 것 사이의 평균 유사성을 평가합니다.
  • Calinski-Harabasz Index: 내부 클러스터 분산에 대한 클러스터 분산 비율을 분석한다.

미터 계산

대부분의 클러스터링 라이브러리는 이러한 메트릭을 보완하는 기능을 제공합니다. 예를 들어, Python의 scikit-learn 라이브러리에서 다음을 사용할 수 있습니다.

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

이 기능은 데이터 포인트와 지정된 클러스터 라벨을 입력으로 요구합니다. 데이터의 Proper preprocessing 및 정상화는 미터의 신뢰성을 향상시킵니다.

결과의 해석

높은 실루엣 점수는 잘 정의 된 클러스터를 나타냅니다. 낮은 점수는 과잉 또는 가난한 분리 된 그룹을 제안합니다. Davies-Bouldin 색인의 경우, 낮은 값은 더 낫습니다. Calinski-Harabasz 인덱스는 더 높은 점수를 선호하며 더 나은 클러스터 구조를 반영합니다.