Ang mga modelong hindi nai-supervised ay ginagamit upang suriin ang data nang walang tatak na output. Ang pag-aalsa sa kanilang pagganap ay nangangailangan ng espesipikong mga metric na sumusukat kung gaano kahusay na nakakakuha ang mga modelo ng mga pundasyong data istraktura. tinatalakay ng artikulong ito ang mga karaniwang metriko, ang kanilang kalkulasyon, at kung paano bigyang kahulugan ang mga resulta.

Karaniwang mga Metric sa Pag - aalis ng Bulwagan

Ilang mga metriko ang ginagamit upang tantiyahin ang mga modelong hindi nababale - wala, kabilang ang mga partikulo ng mga hakbang na kalidad at mga pagsukat na dimensiyonalidad.Ang mga metrikong ito ay tumutulong upang malaman kung gaano kabisang kinakatawan ng mga modelo ang mga padrong datos.

Mga Katam at mga Pagkalkula

Ang isang malawakang ginagamit na metriko ay ang Silhouette Score, na sumusukat kung gaano ang pagkakatulad ng isang bagay sa sarili nitong kumpol kumpara sa ibang kumpol. ito ay mula -1 hanggang 1, na may mas mataas na halaga na nagpapahiwatig ng mas mahusay na pagkukumpol.

Ang isa pang metriko ay ang Davies-Bouldin Index, na tumataya sa cluster separation at compactness.Ang mas mababang halaga ay nagpapahiwatig ng mas mainam na clustering quality.

Para sa dimensiyonalidad, ang Ipinaliliwanag na Variance Ratio ay nagpapakita kung gaano karaming impormasyon ang pinananatili ng pangunahing mga sangkap. Ito ay kinakalkula sa pamamagitan ng pagbubuo ng mga pagkakaiba na ipinaliliwanag ng bawat isang sangkap.

Mga Resulta ng Pagpapaliwanag

Ang mas mataas na Silhouette Scores ay nagpapahiwatig ng mga mahusay-finfluensive cluster, habang ang mas mababang Davies-Bouldin Index values ay nagmumungkahi ng malinaw na paghihiwalay. Sa dimensiyonalidad na pagbabawas, ang isang mas mataas na Ipinaliliwanag na Variance Ratio ay nagpapakita ng mas epektibong data compression.

Mahalagang ihambing ang mga metrikong ito sa iba't ibang modelo o parameter settings upang mapili ang pinakaangkop na paraan para sa isang espesipikong dataset.