Kombinasyon, veri analizinde benzer veri noktalarına kullanılan yaygın bir tekniktir. Bu kümelerin kalitesini değerlendirmek anlamlı sonuçlar sağlamak için gereklidir, özellikle de doğruluk etkilerinin karar verme aşamasında. Çeşitli ölçümler ve hesaplamalar, kümelemenin alt veri yapısıyla nasıl iyi hizalandığını ölçmek için yardımcı olur.

İç Değerlendirme Toplayıcılar

İç ölçümler, kümelerin yalnızca verilere dayanan eşlerini ve ayrılıklarını değerlendirmektedir. Dış etiketler veya zemin gerçeği gerektirmezler. Bu metrikler kümelerin ne kadar kompakt ve farklı olduğunu belirlemeye yardımcı olur.

  • [FONT=0)Sessiz Puan:[Dönetici:[Dönetici:0)[Dönetli Puanlar:[Dönetici:0)[Dönetici:0)))))))) Bir nesnenin diğer kümelere kıyasla kendi kümelerine kıyasla nasıl benzer bir nesne olduğunu ölçüler. Değerler -1 ila 1, daha iyi kümeleme gösteren yüksek puanlarla.
  • [FONT=0)Dunn Index:[Dunn Index:[Dunn Index:), Farklı kümelerde gözlemler arasındaki en küçük mesafe ve en büyük intra-cluster mesafe.
  • [FONT:0]Davies-Bouldin Index:) Her küme ile en benzerleri hesaplayın ve en benzerleri gösterir.

Dış Değerlendirme Metrikleri

Dış ölçümler, önceden tanımlanmış bir zemin gerçek veya etiketlerle kümeleme sonuçlarını karşılaştırır. Gerçek sınıflandırmalar bilindiğinde faydalıdır, denetimli senaryolarda olduğu gibi.

  • [FONT=0)Adjusted Rand Index (ARI):), tahmin edilen kümeler ve gerçek etiketler arasındaki benzerlik, şans için ayarlama. Değerler aralığı -1 to 1.
  • [FONT=0) Normalleştirilmiş Karşılıklı Bilgiler (NMI):), kümeleme ve gerçek etiketler arasındaki karşılıklı bağımlılığı, 0 ile 1. arasında aralıkta normalleştirin.
  • [FONT:0)Homogeneity Puanı:[Dönetici:[Dönetici:0)[Dönetici Puanı:[Dönetici: 1 ) Her küme tek bir sınıfın üyeleridir.

Hesaplamalar ve Yorumlama

Bu ölçümleri hesaplamak belirli formülleri ve mesafe önlemleri içerir. Örneğin, Silhouette Puanı her nokta için en yakın tıkır mesafeyi kullanır ve dış ölçümler genellikle bir karışıklık matrisi veya kontingency masası gerektirir.

Sonuçlara yorum yapmak, bağlama bağlıdır. Yüksek Silhouette puanlar ve NMI değerleri daha iyi kümeleme kaliteyi gösterirken, daha düşük Philips-Bouldin indeksleri iyi ayrıştırılmış kümeler önerir. Birden fazla metrikleri birleştirmek kapsamlı bir değerlendirme sağlar.