← 返回刚才阅读的位置

知识卡片

普通读书笔记卡 · 9945.e.3 · 生成模型:未记录

按标签可用性评价聚类

理解等级:高级

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?

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