聚类评估算法-轮廓系数(Silhouette Coefficient )
来源:互联网 发布:linux ubuntu jar命令 编辑:程序博客网 时间:2024/05/22 10:40
轮廓系数(Silhouette Coefficient),是聚类效果好坏的一种评价方式。最早由 Peter J. Rousseeuw 在 1986 提出。它结合内聚度和分离度两种因素。可以用来在相同原始数据的基础上用来评价不同算法、或者算法不同运行方式对聚类结果所产生的影响。
方法:
1,计算样本i到同簇其他样本的平均距离ai。ai 越小,说明样本i越应该被聚类到该簇。将ai 称为样本i的簇内不相似度。
簇C中所有样本的a i 均值称为簇C的簇不相似度。
2,计算样本i到其他某簇Cj 的所有样本的平均距离bij,称为样本i与簇Cj 的不相似度。定义为样本i的簇间不相似度:bi =min{bi1, bi2, ..., bik}
bi越大,说明样本i越不属于其他簇。
3,根据样本i的簇内不相似度a i 和簇间不相似度b i ,定义样本i的轮廓系数:
4,判断:
si接近1,则说明样本i聚类合理;
si接近-1,则说明样本i更应该分类到另外的簇;
若si 近似为0,则说明样本i在两个簇的边界上。
所有样本的s i 的均值称为聚类结果的轮廓系数,是该聚类是否合理、有效的度量。
- 聚类评估算法-轮廓系数(Silhouette Coefficient )
- 聚类系数(clustering coefficient)计算
- 轮廓系数的应用:kmeans聚类理论篇K的选择(轮廓系数)
- [机器学习] 聚类算法的轮廓系数,java实现
- sklearn聚类算法评估方法 之各种系数
- 聚类︱python实现 六大 分群质量评估指标(兰德系数、互信息、轮廓系数)
- Jaccard系数(Jaccard Coefficient)和tf-idf方法
- 语音的线性预测系数(Linear Prediction Coefficient,LPC)
- R语言-kmeans聚类理论篇K的选择(轮廓系数)
- 轮廓系数
- Qt 3D的研究(十):描边渲染(轮廓渲染)以及Silhouette Shader
- 2.2.4 Silhouette Enhancement (about transforming normal vectors) 轮廓增强(关于转换法向量)
- Cg Programming/Unity/Silhouette Enhancement轮廓增强
- DP9 二项式系数 Binomial Coefficient @geeksforgeeks
- Maximal Information Coefficient 最大信息系数
- 聚类 - 3 - 轮廓系数
- 统计学 决定系数(Coefficient of Determination) 和 相关系数 (Correlation of Coefficient )
- Maximal Information Coefficient (MIC)最大互信息系数
- 基于nginx-rtmp-module直播测试
- ubuntu常用命令
- 创业公司做数据分析(三)用户行为数据采集系统
- UTF-8/UTF-16/UTF-32、Unicode和GB18030编码的关系
- JS客户端RSA加密,Java服务端解密
- 聚类评估算法-轮廓系数(Silhouette Coefficient )
- ubuntu sphinx 进行分词的配置
- 线性搜索
- mysql获取某个表的所有字段名
- 排序算法——选择排序
- MySQL扩容
- viewPager小圆点
- ofbiz错误处理之二
- Xcode清理记录