Clustering adalah teknik umum dalam analisis data yang digunakan untuk mengelompokkan titik data yang mirip.Mengevaluasi kualitas gugus ini sangat penting untuk memastikan hasil yang berarti, terutama dalam aplikasi teknik di mana akurasi berdampak pada pengambilan keputusan.Berbagai metrik dan perhitungan membantu mengkuantifikasi seberapa baik kluster yang sejajar dengan struktur data yang mendasari.

Metrik Evaluasi Internal Evaluasi Evaluasi

Metrik internal morfosis menilai kohesi dan pemisahan gugus berdasarkan data itu sendiri mereka tidak memerlukan label eksternal atau kebenaran tanah metrik ini membantu menentukan seberapa kompak dan berbeda gugusnya

  • [6]]2]Silhouette Skor: Mengukur bagaimana serupa suatu objek dengan kluster sendiri dibandingkan dengan kluster lain. Nilai berkisar dari -1 sampai 1, dengan nilai lebih tinggi menunjukkan kluster yang lebih baik.
  • [5] [5] [5] ]] ]] ) Indeks: Evaluasi rasio antara jarak terkecil antara pengamatan dalam cluster yang berbeda dan jarak intra-cluster terbesar. Nilai yang lebih tinggi menyarankan pemisahan yang lebih baik.
  • [[NOLT:0]]Davies-Bouldin Index: Menghitung rata-rata kesamaan antara setiap gugus dengan yang paling mirip. Nilai yang lebih rendah menunjukkan pengelompokan yang lebih baik.

Metrik Evaluasi Eksternal

Metrik eksternal oleanza membandingkan hasil pengelompokan dengan kebenaran atau label dasar yang telah ditentukan sebelumnya.Mereka berguna ketika klasifikasi sejati dikenal, seperti dalam skenario yang diawasi.

  • Adjuseed Rand Index (ARI): Mengukur kesamaan antara cluster yang diprediksi dan label sejati, menyesuaikan untuk kesempatan. Nilai berkisar dari -1 ke 1.
  • [[ZOZOFLT:0]]Normalized Mutual Information (NMI): Memantapkan ketergantungan bersama antara clustering dan label sejati, dinormalkan untuk berkisar antara 0 dan 1.
  • [5]EfletarFLT:0]]Homogeneity Score: Periksa jika setiap klaster hanya berisi titik data yang merupakan anggota dari satu kelas.

Penghitungan dan Tafsiran Ekskafisial

Menghitung metrik ini melibatkan rumus dan langkah jarak tertentu. Sebagai contoh, Skor Silhouette menggunakan jarak intra-kluster yang berarti dan jarak terdekat yang berarti untuk setiap titik. Metrik eksternal sering membutuhkan matriks kebingungan atau tabel kontingensi membandingkan cluster yang diprediksi dengan label sejati.

Penerjemahan hasil berdasarkan konteks Nilai Silhouette dan nilai NMI menunjukkan kualitas pengelompokan yang lebih baik, sementara indeks Davies-Bouldin yang lebih rendah menyarankan gugus yang dipisahkan dengan baik. Menggabungkan metrik multiple memberikan evaluasi komprehensif.