未经监督的模型用于分析数据而不给其标记输出。评估其性能需要具体的衡量尺度,以衡量模型如何捕捉基本数据结构。本文讨论通用的衡量尺度、其计算以及如何解释结果。

共同评价计量

采用若干衡量标准评估未经监督的模型,包括分组质量衡量和维度降低评价,这些衡量标准有助于确定模型代表数据模式的效力。

计量和计算

一个被广泛使用的度量衡是Silhouette计分法,它测量一个对象与其他群组相比,其与自己的群组的相似程度,其范围从−1到1不等,较高的值表明其群组性更好.

另一个衡量标准是Davies-Bouldin指数,它评价了集群分离和紧凑性。 较低的数值表明集群质量更好。

关于减少维度,解释性差异比率表示主要构成部分保留了多少信息,通过对每个构成部分解释的差异进行总结计算。

解释结果

更高的Silhouette分数意味着定义明确的集群,而较低的Davies-Bouldin指数值则表明清晰的分离。在维度降低方面,较高的解释差异比表明数据压缩更有效。

有必要对不同模型或参数设置的这些计量进行比较,以便为一个特定的数据集选择最适当的方法。