Model tanpa pengawasan digunakan untuk menganalisis data tanpa output berlabel. Mengevaluasi kinerja mereka memerlukan metrik spesifik yang mengukur seberapa baik model menangkap struktur data yang mendasari. Artikel ini membahas metrik umum, perhitungan mereka, dan bagaimana menafsirkan hasil.

Metrik Evaluasi Umum

Beberapa metrik digunakan untuk menilai model yang tidak diawasi, termasuk pengelompokan ukuran kualitas dan evaluasi pengurangan dimensi. metrik ini membantu menentukan seberapa efektif model mewakili pola data.

Metrik dan Kalkulasi

Salah satu metrik yang banyak digunakan adalah Silhouette Score, yang mengukur seberapa mirip suatu objek dengan gugusnya sendiri dibandingkan dengan gugus lain. ia berkisar dari -1 ke 1, dengan nilai yang lebih tinggi menunjukkan kluster yang lebih baik.

Metrik lain adalah Indeks Davies-Bouldin, yang mengevaluasi pemisahan gugus dan kepatuhan.

Untuk pengurangan dimensionalitas, Nisbah Variasi Terjelas menunjukkan berapa banyak informasi yang dipertahankan oleh komponen-komponen utama. dihitung dengan menyimpulkan varians yang dijelaskan oleh masing-masing komponen.

Hasil Tafsiran Tafsiran

Skor Silhouette Lebih Tinggi Darius tidak terdefinisi dengan baik, sementara nilai Indeks Davies-Bouldin yang lebih rendah menunjukkan pemisahan yang jelas. Dalam pengurangan dimensi, sebuah Rasio Variasi yang dijelaskan lebih tinggi menunjukkan kompresi data yang lebih efektif.

Hal ini penting untuk membandingkan metrik ini dengan model atau pengaturan parameter yang berbeda untuk memilih pendekatan yang paling tepat untuk sebuah dataset tertentu.