Clusteringul este o tehnică comună în analiza datelor utilizată pentru a grupa puncte de date similare. Evaluarea calității acestor grupuri este esențială pentru a asigura rezultate semnificative, în special în aplicațiile de inginerie în care precizia are impact asupra procesului decizional. Diferitele indicatori și calcule ajută la cuantificarea modului în care gruparea se aliniază cu structura de date subiacente.

Metrici de evaluare internă

Parametrii interni evaluează coeziunea și separarea clusterelor bazate exclusiv pe datele în sine. Ei nu necesită etichete externe sau adevăr la sol. Aceste indicatori ajută la determinarea modului în care sunt compacte și distincte grupurile.

  • Scor de siluetă:Măsoară cât de similar este un obiect cu propriul său grup comparativ cu alte grupuri. Valorile variază de la -1 la 1, cu scoruri mai mari indicând o mai bună grupare.
  • Dunn Index: Evaluează raportul dintre cea mai mică distanță dintre observațiile din diferite grupuri și cea mai mare distanță intra-cluster. Valorile mai mari sugerează o mai bună separare.
  • Davies-Bouldin Index: Calculează similitudinea medie dintre fiecare grup și cel mai similar. Valorile inferioare indică o mai bună grupare.

Metrici de evaluare externă

metricile externe compară rezultatele clustering cu un adevăr sau etichete predefinite la sol. Acestea sunt utile atunci când clasificările adevărate sunt cunoscute, cum ar fi în scenarii supravegheate.

  • Adjusted Rand Index (ARI):Măsoară similaritatea dintre grupurile prezise și etichetele adevărate, adaptându-se pentru întâmplare. Valori variază de la -1 la 1.
  • Informaţii mutuale normale (NMI): Cuantifică dependenţa reciprocă dintre grupare şi etichetele adevărate, normalizate pentru a varia între 0 şi 1.
  • Scor de omogenitate: Verificați dacă fiecare grup conține numai puncte de date care sunt membre ale unei singure clase.

Calcule și interpretare

Calcularea acestor indicatori implică formule specifice și măsuri la distanță. De exemplu, Scorul Silhouette utilizează distanța medie intra-cluster și distanța medie cea mai apropiată-cluster pentru fiecare punct.metricile externe necesită adesea o matrice de confuzie sau un tabel de urgență care compară grupurile prezise cu etichetele adevărate.

Interpretarea rezultatelor depinde de context. Scoruri Silhouette mai mari și valori NMI indică o calitate mai bună de grupare, în timp ce indicii mai mici Davies-Bouldin sugerează clustere bine separate. Combinarea mai multor indicatori oferă o evaluare cuprinzătoare.