未经监督的学习模型用于识别数据中的模式,而不给结果贴标签。评估其性能可能具有挑战性,但硅胶分数为评估集群结果的质量提供了一个有用的衡量标准。本指南解释了如何使用硅胶分数来有效评价您的模型。

理解硅声分数

sillhouet 计分标准衡量对象与其他组的相似度。 它从 - 1 到 1 不等, 其中较高的值表示集群更好。 接近 1 的分数表明, 数据点与自己的集群非常匹配, 且与邻组的匹配也差 。

计算硅声计分

大部分机器学习库,例如 scikit-learn , 都提供计算 silhouette 分数的函数。 要计算, 您需要您的数据点和集群算法指定的标签。 这一过程涉及测量每个点的集群内距离和集群间距离。

解释结果

Silhouette分数有助于比较不同的集群模型或参数. 较高分数表示更趋一致和分离的集群. 0以下的分数表示数据点可能被分配到错误的集群,负分表示重叠的集群.

最佳做法

  • 计算多个模型的 silhouette 分数,以找到最合适的 。
  • 使用所有数据点的平均分数进行总体评价。
  • 将硅胶分数与其他衡量标准相结合,以便进行全面评估。
  • 视团以补充定量评价。