کلسٹرنگ ڈیٹا تجزیہ میں ایک عام تکنیک ہے جو گروپ کو ایسے ہی اعداد و شمار کے نقطوں کے لیے استعمال کی جاتی ہے۔ان پھولوں کی خوبی کو یقینی بنانے کے لیے ضروری ہے، خاص طور پر انجینی اطلاقات میں جہاں فیصلوں کی درستی پر اثر انداز ہوتا ہے. مختلف میٹرک اور حسابات اس بات کو یقینی بنانے میں مدد دیتے ہیں کہ کس طرح بنیادی ڈیٹا ترکیب کے ساتھ کس طرح کی ترکیب کی تیاری کی جائے۔
اندرونی ایوارڈ میٹرکز
اندرونی میٹرکس صرف اعداد و شمار پر مبنی پھولوں کی جمع اور علیحدگی کا تجزیہ کرتے ہیں وہ بیرونی لیبل یا زمین کی سچائی کی ضرورت نہیں رکھتے یہ میٹرکز اس بات کا اندازہ لگانے میں مدد کرتے ہیں کہ کس طرح کے پھولوں کی ساخت اور الگ الگ ہیں۔
- سیالکوٹ سکور : پیمائشیں کہ کس طرح کی چیز دوسرے پھولوں کے مقابلے میں اپنے کیچ کے ساتھ ہوتی ہیں.
- Dunn Index: مختلف مدارس میں مشاہدات کے درمیان سب سے چھوٹا فاصلہ اور سب سے بڑا انٹر-کلسٹر فاصلہ کے درمیان فرق کی طرف اشارہ کرتا ہے۔
- ] ڈاویس-بولڈین انڈیکس: کیلکاتا ہر کیچ اور اس کے سب سے زیادہ مشابہہ مشابہت کی حامل ہوتی ہے. Lower قدریں بہتر کرنگ کو ظاہر کرتی ہیں۔
بیرونی ایجوکیشن میٹرکس
جب حقیقی کلاسوں کی شناخت کی جاتی ہے تو یہ قابلِغور نتائج ہوتے ہیں جیسے کہ قابلِرسائی معلومات ۔
- Adexed Rand Index (ARI): ] پیشینگوئیی قطعات اور حقیقی لیبل کے درمیان مشابہت، اتفاق کے لیے پیمائش کرتا ہے۔
- normaled Information (NMI): کو آپس میں انحصار کو برقرار رکھنے اور سچل لیبل کے درمیان باہمی انحصار کو برقرار رکھنے کے لیے
- [Homogenity Score: چیکس اگر ہر کلسٹر میں صرف اعداد و شمار ہوتے ہیں جو ایک کلاس کے ارکان ہوتے ہیں۔
کلکٹر اور انٹرٹینمنٹ
ان میٹرکز میں مخصوص فارمولے اور فاصلہ اقدامات شامل ہوتے ہیں مثلاً سیالکوٹ سکور میں انڈر کلچر دور اور ہر نقطہ کے لیے قریب ترین فاصلہ استعمال ہوتا ہے۔اس کے باہر میٹرکس اکثر ایک میجیل یا sculcy Tableing oupts کے لیے حقیقی لیبل کے ساتھ settlection کا مطلب استعمال کرتے ہیں۔
نتائج کو ضمنی سطح پر تبدیل کرنا. اعلیٰ سیلوئٹی اسکور اور این ایم کی قدریں بہتر کارکردگی کی نشاندہی کرتی ہیں جبکہ ذیلی ڈویژن بلڈنگ انڈیکس اچھی طرح سے فراہم کرتی ہیں. متعدد میٹرکز کو آپس میں ملانے سے ایک جامع تجزیے کی سہولت ملتی ہے۔