Clustering is een veel voorkomende techniek in onbeheersbaar leren gebruikt om vergelijkbare datapunten te groeperen. Evaluatie van de kwaliteit van deze clusters is essentieel om betekenisvolle inzichten te garanderen. Clustering metrics bieden kwantitatieve maatregelen om te beoordelen hoe goed het algoritme heeft uitgevoerd.

Clusteringsmetrics

Verschillende metrics worden gebruikt om clustering resultaten te evalueren. De meest populaire zijn:

  • Silhouette Score: Meet hoe een object lijkt op zijn eigen cluster in vergelijking met andere clusters.
  • Davies-Bouldin Index: Evalueert de gemiddelde overeenkomst tussen elke cluster en de meest vergelijkbare.
  • Calinski-Harabasz Index: Beoordeelt de verhouding tussen de clusterdispersie en de binnen-clusterdispersie.

Berekening van de Metrics

De meeste clusterbibliotheken bieden functies om deze metrics te berekenen. Bijvoorbeeld, in Python's scikit-learn bibliotheek, kunt u gebruik maken van:

silhouette score(), davies bouldin score(), en calinski harabasz score().

Deze functies vereisen de datapunten en hun toegewezen clusterlabels als input. Een goede voorbewerking en normalisatie van gegevens verbeteren de betrouwbaarheid van de metrics.

Vertolkingsresultaten

Hogere silhouetscores geven duidelijk gedefinieerde clusters aan, terwijl lagere scores overlappende of slecht gescheiden groepen suggereren. Voor de Davies-Bouldin index zijn lagere waarden beter, wat wijst op verschillende clusters. De Calinski-Harabasz index geeft hogere scores, reflecteert betere clustering structuur.