DalšíDalší průvodce
Hodnocení průměrného skóre názoru
Zvuková AI
Technický PRŮVODCE
Koeficient siluety porovnává průměrnou vzdálenost každého pozorování k jeho vlastnímu shluku se vzdáleností k nejbližšímu alternativnímu shluku.
Poslechněte si tento návodAI-vyprávěný · ~3 min
Poskytuje interní diagnostiku shlukování bez označení základní pravdy, ale jeho předpoklady a metrika mohou upřednostňovat kompaktní, oddělené skupiny a nemohou prokázat, že shluky jsou užitečné.
Clustering obvykle nemá žádné cílové štítky, takže interní metriky hodnotí strukturu pouze pomocí dat a přiřazených skupin. Pro pozorování i nechť a(i) je jeho průměrná vzdálenost k ostatním bodům v jeho vlastním shluku. Nechť b(i) je nejmenší průměrná vzdálenost od i k bodům v libovolném jiném shluku. Koeficient siluety je (b-a)/max(a,b), v rozsahu od -1 do 1, když jsou definovány vzdálenosti. Hodnota blízko jedné naznačuje, že pozorování je mnohem blíže vlastnímu shluku než jinému. Hodnota blízká nule naznačuje polohu hranice a záporná hodnota naznačuje, že další shluk může být blíže. Celkové skóre siluety zprůměruje koeficienty napříč pozorováními. Vysoký průměr může podporovat kompaktní, oddělené shluky ve zvolené vzdálenosti, ale nedokazuje, že skupiny jsou smysluplné. Velký shluk může dominovat průměru a několik špatně přiřazených bodů může být skryto. Kontrolujte hodnoty pro jednotlivé clustery a body, velikosti clusterů a vizualizace. Skóre také závisí na metrice vzdálenosti a měřítku prvku. Davies-Bouldin porovnává rozptyl uvnitř shluku se separací mezi shluky; nižší je obecně lepší podle jeho definice. Calinski-Harabasz porovnává disperzi mezi shluky s disperzí uvnitř shluku; vyšší je obecně lepší. Tyto indexy mají různá měřítka a preference, takže větší hrubé číslo v jedné metrice nepovažujte za srovnatelné s jinou. Jejich předpoklady mohou také upřednostňovat určité tvary nebo rovnováhy shluků. Interní metriky nenahrazují externí ověření, když jsou štítky k dispozici, ani hodnocení následné užitečnosti. Skóre siluety může upřednostňovat oddíl, který je geometricky čistý, ale provozně bezvýznamný. Naopak užitečné shluky s nepravidelnými tvary mohou získat skromné skóre. Porovnejte kandidátské metody na konzistentních datech a předběžném zpracování, zkontrolujte stabilitu při převzorkování a změnách parametrů a zeptejte se uživatelů domény, zda skupiny podporují skutečné rozhodnutí. Pokud se shlukování používá k tomu, aby sloužilo lidem, zhodnoťte pokrytí a škody a také geometrické oddělení.
Bod má průměrnou vzdálenost v rámci shluku a=2 a nejbližší vzdálenost jiného shluku b=5. Jeho silueta je (5-2)/max(2,5)=0,6, což naznačuje, že je blíže k přiřazenému shluku než k alternativě.
Bod poblíž hranice shluku má a=4 ab=3, což dává (3-4)/4=-0,25. Záporná hodnota znamená, že bod je v průměru blíže jinému shluku pod vybranou metrikou.
Analytik porovnává hodnoty siluety napříč kandidátskými k-means clustery se stejnými standardizovanými funkcemi, poté zkontroluje velikost clusteru a zda skupiny odpovídají na obchodní otázku.
Tým také přezkoumává indexy Davies-Bouldin a Calinski-Harabasz, ale vyhýbá se přímému porovnávání jejich hrubých hodnot, protože používají různé vzorce a preferované směry.
Zprávy o hodnocení clusteru mohou zvýšit užitečnost interního skóre tím, že vedle průměru zobrazují distribuce na cluster, velikosti, předběžné zpracování a metriku vzdálenosti. Týmy pak mohou porovnávat geometrické důkazy se stabilitou a následnými výsledky místo toho, aby pouze vybíraly nejvyšší skóre. Pokud jsou k dispozici známé štítky nebo lidské úsudky, použijte externí kontroly a chraňte se před kruhovým hodnocením. Jak se populace posouvají, opakujte kontroly stability a užitečnosti. Metrické řídicí panely by měly vysvětlovat preferované směry a omezení, aby uživatelé neinterpretovali koeficient jako univerzální stupeň kvality shlukování.
Newsletter zdarma
Tři ověřené příběhy ze světa AI každý všední den ráno, psané srozumitelnou angličtinou. Navždy zdarma, bez reklam.
Jeden e-mail každý všední den. Odhlásit se můžete jedním kliknutím. Vaši adresu nikdy neprodáváme ani nesdílíme.
Otestujte se
Okamžitá zpětná vazba ke každé odpovědi a sdílitelný certifikát s ověřitelným ID po absolvování kurzu.
Podpořte bezplatnou AI vzdělávání. AI Understanding je nezisková organizace 501(c)(3) — žádné reklamy, žádná platba za přístup, nikdy. Darujte
Koeficient siluety porovnává průměrnou vzdálenost každého pozorování k jeho vlastnímu shluku se vzdáleností k nejbližšímu alternativnímu shluku. Poskytuje interní diagnostiku shlukování bez označení základní pravdy, ale jeho předpoklady a metrika mohou upřednostňovat kompaktní, oddělené skupiny a nemohou prokázat, že shluky jsou užitečné.
Čitatel je 3 a jmenovatel 5, takže koeficient je 0,6.
Protože b je menší než a, další shluk je v průměru blíže než přiřazený shluk.
Podobné hodnoty aab umístí pozorování do blízkosti shlukovací hranice pod metrikou.
Davies-Bouldin je obecně interpretován s nižšími hodnotami, což naznačuje příznivější separaci vzhledem k rozptylu.
Indexy mají různé matematické definice, měřítka a směry optimalizace.
Učte se dál
Pro toto téma bylo vybráno více průvodců
DalšíDalší průvodce
Hodnocení průměrného skóre názoru
Zvuková AI