聚类算法衡量指标

时间:2021-12-17 09:39:43


  • 轮廓系数(Silhouette),不需要标记

簇内不相似度:计算样本i到同簇其它样本的平均距离为ai;ai越小,表示样本i越应 该被聚类到该簇,簇C中的所有样本的ai的均值被称为簇C的簇不相似度

簇间不相似度:计算样本i到其它簇Cj的所有样本的平均距离bij, bi=min{bi1,bi2,...,bik};bi越大,表示样本i越不属于其它簇。

轮廓系数:si值越接近1表示样本i聚类越合理,越接近-1,表示样本i应该分类到 另外的簇中,近似为0,表示样本i应该在边界上;所有样本的si的均值被成为聚类结果的轮廓系数

聚类算法衡量指标聚类算法衡量指标


以下均需要标记

  • 均一性

一个簇中只包含一个类别的样本,则满足均一性;其实也可以认为就是正确率(每个 聚簇中正确分类的样本数占该聚簇总样本数的比例和)

聚类算法衡量指标

  • 完整性

同类别样本被归类到相同簇中,则满足完整性;每个聚簇中正确分类的样本数占该类型的总样本数比例的和

聚类算法衡量指标

  • V-measure

均一性和完整性的加权平均

聚类算法衡量指标

  • Rand index(兰德指数)(RI),RI取值范围为[0,1],值越大意味着聚类结果与真实情况越吻合。
  • 调整互信息(AMI,Adjusted Mutual Information),类似ARI,内部使用信息熵