知识卡片
按标签可用性评价聚类
有独立真标签时,调整兰德指数比较样本对在两种分组中是否同组,并校正随机一致性。无标签时,轮廓系数比较点到本簇与最近其他簇的平均距离。前者容许簇编号置换,后者反映给定距离下的凝聚与分离。二者都应结合特征表示和重复初始化解释。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
原书出处 · 1 处
- 搞懂算法:聚类是怎么回事 · 查看原书依据
如果被评估数据不含所属类别信息,那么我们可以考虑用轮廓系数来度量聚类效果。轮廓系数具有兼顾聚类的凝聚度和分离度的优点,数值为[-1,1]。一般来说,轮廓系数越大,聚类效果越好。轮廓系数可以通过在skl
参考来源
- 位置:《从零开始:机器学习的数学原理和算法实践》第11章《搞懂算法:聚类是怎么回事》(来源项目 book-source:extracted/从零开始:机器学习的数学原理和算法实践/_epub-src/OEBPS/Text/chapter011.xhtml)
- 结论依据:原书用一套手写数字数据演示 ARI 和轮廓系数两套评估。
- 原始内容:如果被评估数据不含所属类别信息,那么我们可以考虑用轮廓系数来度量聚类效果。轮廓系数具有兼顾聚类的凝聚度和分离度的优点,数值为[-1,1]。一般来说,轮廓系数越大,聚类效果越好。轮廓系数可以通过在skl