聚类算法初探（七）聚类分析的效果评测

最新推荐文章于 2024-05-08 02:31:35 发布
最新推荐文章于 2024-05-08 02:31:35 发布
阅读量3.6w 收藏 76
点赞数 5
分类专栏： 数据挖掘 文章标签： 聚类分析 效果评测 召回率 F-score 准确度
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/itplus/article/details/10322361
版权

      本文摘自中国科学院计算技术研究所周昭涛的硕士论文《文本聚类分析效果评价及文本表示研究》的第三章，算是一则读书笔记吧，希望对大家有点帮助。



文中提到的准确率和召回率的定义可参见 

http://blog.csdn.net/itplus/article/details/10862059


其他相关链接:

引言

预备知识

直接聚类法

K-means

DBSCAN

OPTICS

数据尺度化问题

发表在 Science 上的一种新聚类算法



作者: peghoty 

出处: http://blog.csdn.net/itplus/article/details/10322361

欢迎转载/分享, 但请务必声明文章出处.


皮果提
关注
  • 5
    点赞
  • 踩
  • 76
    收藏
    觉得还不错? 一键收藏
  • 4
    评论
专栏目录
让你看懂聚类分析
多元思考力
12-16 15万+
目录1.聚类分析概述 2.各种距离的定义 2.1 样本相似性度量 2.2 类与类间的相似性度量 2.3 变量间的相似度度量 3.划分聚类 4.层次聚类 1.聚类分析概述 聚类分析是一种定量方法，从数据分析的角度看，它是对多个样本进行定量分析的多元统计分析方法，可以分为两种： 对样本进行分类称为Q型聚类分析 对指标进行分类称为R型聚类分析 从数据挖掘的角度看，又可以大致分为四种： 划分
『ML』用Python实现聚类效果的评估（轮廓系数、互信息）
01-20
  这里直接贴上 聚类算法初探（七）聚类分析的效果评测   它摘自于中国科学院计算技术研究所周昭涛的硕士论文《文本聚类分析效果评价及文本表示研究》的第三章。建议先看看原文，可以对聚类评估有一个很好的了解...
聚类算法的效果评估
LIJIAN_A1的博客
11-03 372
除了以上这些常用的评估指标，还有一些其他的评估指标，如标准化互信息（Normalized Mutual Information）、规范化调整兰德系数（Adjusted Rand Index Normalized）等。在使用时，需要根据具体的数据特点和业务需求选择合适的评估指标。确定聚类算法的效果通常需要采用一些评估指标。
聚类分析（文末送书）_划分聚类方法对数据集进行聚类时包含三个要点
最新发布
2401_83621499的博客
05-08 1060
最近很多小伙伴找我要Linux学习资料，于是我翻箱倒柜，整理了一些优质资源，涵盖视频、电子书、PPT等共享给大家！
聚类算法效果衡量标准及图片压缩案例
m0_47482052的博客
01-05 462
聚类算法效果衡量标准及图片压缩案例
聚类算法（KMeans）模型评估方法（SSE、SC）及案例
linxinyide的博客
01-19 5666
速通聚类算法中的KMeans方法，学习模型评估方法（误差平方和SSE、轮廓系数法SC），用肘方法确定K值，并在具体案例中应用。
聚类分析的评价指标（性能度量）
kfnorthwind的专栏
10-29 2万+
聚类分析的评价指标也称为：性能度量指标 聚类算法聚类后，如何评价聚类结果，如何确定各聚类算法结果的优劣，如何确定聚类算法的参数值，可以通过聚类性能度量指标从一个方侧面说明聚类算法和算法参数的选择。 聚类性能度量指标分为外部指标和内容指标。 外部指标： 外部指标，也就是有参考标准的指标，通常也可以成为有监督情况下的一种度量聚类算法和各参数的指标。具体就是聚类算法的聚类结果和已知的（有标签的、人工标准或基于一种理想的聚类的结果）相比较，从而衡量设计的聚类算法的性能、优劣。 外部指标主要有： J.
机器学习实战——聚类分析（代码可运行）
WUHU648的博客
12-27 1903
对鸢尾属植物数据分析结果如下： 先对数据进行预处理，转换成dataframe。 最开始使用Kmeans对四个属性进行分析，发现得出的准确率只有0.8933，这个准确率并不是很高，于是想出了先用主成分分析PCA看一下各个属性对不同类别的影响。 发现四个属性中，选用两个属性PC1和PC2更加好一些。 发现相比较来说，主成分分析好像对Kmean并没有什么好处。于是采用主成分分析+其他方法。 以KNN为： 发现PCA+KNN的效果是最为明显的，准确率直接达到了0.95。综上，PCA+KNN的方法更加适合鸢尾
Clustering-master.zip_Clustering-master_聚类数据集_聚类算法
07-15
《聚类算法初探：基于Clustering-master的学习与实践》 在数据分析领域，聚类算法是一种无监督学习方法，主要用于发现数据中的自然群体或类别，而无需预先知道具体分类信息。"Clustering-master.zip"是一个专门针对...
物流信息决策的自适应蚁群算法初探.doc
05-06
物流信息决策的自适应蚁群算法初探 本文主要探讨了物流信息决策的自适应蚁群算法，以解决电子商务条件下物流信息决策问题。文章首先介绍了物流信息的重要性和决策价值，接着介绍了蚁群算法的优化过程和自适应思想，...
数据挖掘十大经典算法初探
12-02
k-Means 是一种常用的聚类算法，旨在将数据集划分为 k 个簇，使簇内的数据相似度高，簇间的相似度低。它通过迭代调整簇中心来达到最佳划分状态。适用于对连续性数据进行无监督学习。 3. 支持向量机 (SVM)： SVM 是...
聚类算法评测数据集 第一部分
09-27
聚类算法评测数据第一部分
kmeans提取特征训练softmax分类器
06-21
本代码包括kmeans提取特征，词袋模型提取特征，并利用softmax训练分类器。
聚类有效性评价指标(4个内部4个外部)
10-28
常用内部（Sil，CH，DBI，KL）、外部评价指标（Rand等4个），用自带样本集“leuk72_3k.txt”测试可用！
电子商务网站营销数据分析技术初探.docx
07-11
聚类算法发现一些不知道的数据类或怀疑的数据类。分类过程是发现一些规定某些商品或时间是否属于某一特定数据子集的规则。神经网络通过学习待分析数据中的模式来构造模型。关联规则是数据挖掘的一个重要内容，通常...
聚类效果评估指标总结
Magician的博客
08-30 3万+
前言 实际工作中经常会用到一些聚类算法对一些数据进行聚类处理，如何评估每次聚类效果的好坏？可选的方法有1、根据一些聚类效果的指标来评估；2、直接打点。今天就主要总结下这段时间了解的聚类效果评估指标。废话少说，直接上干货。 针对数据有类别标签的情况 Adjusted Rand index (ARI) 优点： 1.1 对任意数量的聚类中心和样本数，随机聚类的ARI都非常接近于0； 1.2 取值在［－1，1］之间，负数代表结果不好，越接近于1越好； 1.3 可用于聚类算法之间的比较 缺点： 1.4 ARI需要真实
聚类的评价指标
weixin_39915444的博客
10-26 1万+
聚类的评价指标 对于聚类结果的评价方法一般可以分为内部评估法（internal evaluation）与外部评估方法（external evaluation）。 外部评估方法是指在知道真实标签（ground truth ）的情况下来评估聚类结果的好坏，例如纯度（Purity）、兰德系数（Rand Index, RI）、F值（F-score）和调整兰德系数（Adjusted Rand Index,ARI）。一般来说在做论文，或者是有少量的标注数据时，都可以用外部评估法选择一个相对最优的聚类模型，.
聚类效果评价标准：
JiangLongShen的博客
03-16 1万+
1.2010发表在IEEE International Conference on Data Mining ； 原文标题： 《Understanding of Internal Clustering Validation Measures》 译为“内部聚类效果测量的一些理解” 这篇文章讲的就是如何评价你聚类好坏的。 原文下载：http://pan.baidu.com/s/1jHDvyq6...
聚类分析（超全超详细版）
热门推荐
datayx的文章
10-21 7万+
向AI转型的程序员都关注了这个号????????????聚类分析的概念聚类分析是根据在数据中发现的描述对象及其关系的信息，将数据对象分组。目的是，组内的对象相互之间是相似的（相关的），而不同组中的对象是不同的（不相关的）。组内相似性越大，组间差距越大，说明聚类效果越好。也就是说， 聚类的目标是得到较高的簇内相似度和较低的簇间相似度，使得簇间的距离尽可能大，簇内样本与簇中心的距离尽可能小聚类得到的簇可以用聚类中心、簇...
kmeans聚类算法相比于其他聚类算法效果怎么样
04-18
K-means聚类算法是一种常用的无监督学习算法，它将数据集划分为K个不同的簇。相比于其他聚类算法，K-means算法有以下几个特点和效果： 1. 简单而高效：K-means算法是一种迭代的、基于距离的聚类算法，计算简单且速度较快。它通过不断更新簇中心来优化聚类结果。 2. 对大规模数据集有效：K-means算法在处理大规模数据集时表现良好，因为它的时间复杂度较低。 3. 对于凸形簇效果较好：K-means算法在处理凸形簇的数据集时效果较好，能够将数据集较好地划分为不同的簇。 4. 对噪声和异常值敏感：K-means算法对噪声和异常值比较敏感，可能会将它们错误地归为某个簇中。 5. 需要预先指定簇的数量：K-means算法需要预先指定簇的数量K，这对于一些数据集来说可能是一个挑战。 6. 对初始簇中心的选择敏感：K-means算法对初始簇中心的选择比较敏感，不同的初始选择可能导致不同的聚类结果。 综上所述，K-means聚类算法在一些特定的情况下表现良好，但也存在一些限制。在实际应用中，我们需要根据具体的数据集和问题选择合适的聚类算法。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 4
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值