VolgendeVolgende gids
Evaluatie van de gemiddelde opiniescore
Audio-AI
Technische GIDS
De silhouetcoëfficiënt vergelijkt de gemiddelde afstand van elke waarneming tot zijn eigen cluster met de afstand tot de dichtstbijzijnde alternatieve cluster.
Luister naar deze gidsAI-verteld · ~3 min
Het biedt een interne clusteringsdiagnostiek zonder labels op basis van de grondwaarheid, maar de aannames en metriek ervan kunnen compacte, gescheiden groepen bevoordelen en kunnen niet vaststellen dat clusters nuttig zijn.
Clustering heeft meestal geen doellabels, dus interne statistieken beoordelen de structuur met alleen de gegevens en toegewezen groepen. Voor observatie i: laat a(i) de gemiddelde afstand tot andere punten in zijn eigen cluster zijn. Laat b(i) de kleinste gemiddelde afstand zijn van i tot punten in een ander cluster. De silhouetcoëfficiënt is (b-a)/max(a,b), variërend van -1 tot 1 wanneer de afstanden zijn gedefinieerd. Een waarde dichtbij één suggereert dat de waarneming veel dichter bij het eigen cluster ligt dan bij een ander cluster. Een waarde dichtbij nul duidt op een grenspositie, en een negatieve waarde suggereert dat een ander cluster dichterbij kan zijn. De algehele silhouetscore berekent het gemiddelde van de coëfficiënten voor alle waarnemingen. Een hoog gemiddelde kan compacte, gescheiden clusters onder de gekozen afstand ondersteunen, maar het bewijst niet dat de groepen betekenisvol zijn. Een groot cluster kan het gemiddelde domineren, en een paar slecht toegewezen punten kunnen verborgen zijn. Inspecteer waarden per cluster en per punt, clustergroottes en visualisaties. De score is ook afhankelijk van de afstandsmetriek en de schaling van de functies. Davies-Bouldin vergelijkt verstrooiing binnen clusters met scheiding tussen clusters; lager is over het algemeen beter volgens de definitie ervan. Calinski-Harabasz vergelijkt de spreiding tussen clusters met de spreiding binnen clusters; hoger is over het algemeen beter. Deze indices hebben verschillende schalen en voorkeuren, dus behandel een groter ruw getal in de ene metriek niet als vergelijkbaar met een andere. Hun aannames kunnen ook de voorkeur geven aan bepaalde clustervormen of -balansen. Interne statistieken zijn geen vervanging voor externe validatie wanneer labels beschikbaar komen, noch voor het evalueren van stroomafwaartse nutsvoorzieningen. Een silhouetscore kan de voorkeur geven aan een partitie die geometrisch schoon maar operationeel betekenisloos is. Omgekeerd kunnen nuttige clusters met onregelmatige vormen een bescheiden score krijgen. Vergelijk kandidaatmethoden op het gebied van consistente gegevens en voorverwerking, inspecteer de stabiliteit bij resampling en parameterwijzigingen, en vraag domeingebruikers of de groepen een echte beslissing ondersteunen. Als clustering wordt gebruikt om mensen te dienen, beoordeel dan de dekking en schade, evenals de geometrische scheiding.
Een punt heeft een gemiddelde binnen-clusterafstand a=2 en de dichtstbijzijnde andere-clusterafstand b=5. Het silhouet is (5-2)/max(2,5)=0,6, wat aangeeft dat het dichter bij de toegewezen cluster ligt dan bij het alternatief.
Een punt dichtbij een clustergrens heeft a=4 en b=3, wat (3-4)/4=-0,25 oplevert. De negatieve waarde geeft aan dat het punt gemiddeld dichter bij een ander cluster onder de gekozen metriek ligt.
Een analist vergelijkt de silhouetwaarden van de kandidaat-k-means clustertellingen op basis van dezelfde gestandaardiseerde kenmerken, controleert vervolgens de clustergrootte en of groepen de zakelijke vraag beantwoorden.
Een team beoordeelt ook de indices van Davies-Bouldin en Calinski-Harabasz, maar vermijdt het rechtstreeks vergelijken van hun ruwe waarden omdat ze verschillende formules en voorkeursrichtingen gebruiken.
Clusterevaluatierapporten kunnen interne scores nuttiger maken door verdelingen per cluster, grootte, voorverwerking en de afstandsmetriek naast het gemiddelde weer te geven. Teams kunnen vervolgens geometrisch bewijsmateriaal vergelijken met stabiliteit en stroomafwaartse resultaten in plaats van alleen de hoogste score te selecteren. Als bekende labels of menselijke oordelen beschikbaar komen, gebruik dan externe controles en bescherm uzelf tegen circulaire evaluatie. Terwijl de bevolking verandert, herhaalt u de stabiliteits- en nutscontroles. Metrische dashboards moeten voorkeursrichtingen en beperkingen uitleggen, zodat gebruikers een coëfficiënt niet interpreteren als een universeel cijfer voor clusterkwaliteit.
Gratis nieuwsbrief
Drie verifieerde AI-verhalen elke weekdagmorgen, geschreven in eenvoudig Engels. Gratis voor altijd, geen advertenties.
Eén e-mail elke weekdag. Afmelden met één klik. We verkopen of delen je adres nooit.
Test jezelf
Directe feedback op elke antwoord, en een deelbare certificaat met een verifieerbare ID zodra je een cursus hebt afgerond.
Ondersteun gratis AI-onderwijs. AI Understanding is een 501(c)(3) non-profit — geen advertenties, geen betaalmuur, nooit. Doe een donatie
De silhouetcoëfficiënt vergelijkt de gemiddelde afstand van elke waarneming tot zijn eigen cluster met de afstand tot de dichtstbijzijnde alternatieve cluster. Het biedt een interne clusteringsdiagnostiek zonder labels op basis van de grondwaarheid, maar de aannames en metriek ervan kunnen compacte, gescheiden groepen bevoordelen en kunnen niet vaststellen dat clusters nuttig zijn.
De teller is 3 en de noemer is 5, dus de coëfficiënt is 0,6.
Omdat b kleiner is dan a, is een ander cluster gemiddeld dichterbij dan het toegewezen cluster.
Soortgelijke a- en b-waarden plaatsen de waarneming nabij een clustergrens onder de metriek.
Davies-Bouldin wordt over het algemeen geïnterpreteerd met lagere waarden die een gunstiger scheiding ten opzichte van verstrooiing aangeven.
De indices hebben verschillende wiskundige definities, schalen en optimalisatierichtingen.
Blijf leren
Er zijn meer handleidingen voor dit onderwerp geselecteerd
VolgendeVolgende gids
Evaluatie van de gemiddelde opiniescore
Audio-AI