Clustering är en vanlig teknik i dataanalys som används för att gruppera liknande datapunkter. Att utvärdera kvaliteten på dessa kluster är avgörande för att säkerställa meningsfulla resultat, särskilt i tekniska tillämpningar där noggrannhet påverkar beslutsfattandet. Olika mätvärden och beräkningar hjälper till att kvantifiera hur väl klustret anpassar sig till den underliggande datastrukturen.

Interna utvärderingsmetri

Interna mätvärden bedömer sammanhållningen och separationen av kluster som enbart baseras på själva datan. De kräver inte externa etiketter eller grundsanning. Dessa mätvärden hjälper till att bestämma hur kompakt och distinkt klusterna är.

  • Silhouette Score:] mäter hur liknande ett objekt är för sitt eget kluster jämfört med andra kluster. Värden varierar från -1 till 1, med högre poäng som indikerar bättre kluster.
  • ]]Dunn Index:] utvärderar förhållandet mellan det minsta avståndet mellan observationer i olika kluster och det största avståndet mellan intrakluster. Högre värden tyder på bättre separation.
  • ]]Davies-Bouldin Index:] Beräknar den genomsnittliga likheten mellan varje kluster och dess mest likartade. Lägre värden indikerar bättre kluster.

Externa utvärderingsmetrier

Externa mätvärden jämför klustringsresultat till en fördefinierad mark sanning eller etiketter. De är användbara när sanna klassificeringar är kända, såsom i övervakade scenarier.

  • Justerat Rand Index (ARI): Mäter likheten mellan de förutspådda klustren och sanna etiketterna, justering för chans. Värden varierar från -1 till 1.
  • ]Normaliserad ömsesidig information (NMI):] Kvantifierar det ömsesidiga beroendet mellan klustring och sanna etiketter, normaliserat för att variera mellan 0 och 1.
  • ]Homogenitetspoäng: Kontrollerar om varje kluster endast innehåller datapunkter som är medlemmar i en enda klass.

Beräkningar och tolkning

Beräkning av dessa mätvärden innebär specifika formler och avståndsåtgärder. Till exempel använder Silhouette Score det genomsnittliga intraklustrets avstånd och det genomsnittliga närmaste klustret för varje punkt. Externa mätvärden kräver ofta en förvirringsmatris eller beredskapsbord som jämför förutspådda kluster med sanna etiketter.

Att tolka resultaten beror på sammanhanget. Högre Silhouette-poäng och NMI-värden indikerar bättre klusterkvalitet, medan lägre Davies-Bouldin-index tyder på välskiljda kluster. Att kombinera flera mätvärden ger en omfattande utvärdering.