本文介绍了聚类算法的评估方法，包括间接法和直接法，如外部指标和内部指标。直接法中，样本差异通过相似性计算来衡量，常见的距离度量有欧式距离和余弦距离。欧式距离在标准化数据后使用，而余弦距离不受指标单位影响。这些评估标准对于优化聚类算法和理解数据集的内在结构至关重要。
目录
如何评估聚类算法
间接法：对使用聚类算法结果的下一应用的指标进行评估
直接法：外部指标（聚类结果和某个参考模型比较，将计算机结果与行业专家划分结果比较），内部指标（类内差异尽可能小，类间差异尽可能大 ）
直接法需要计算类内样本点、类外样本点间的样本差异。
那么样本差异，要如何衡量呢？
样本差异，常借助’相似性‘指标衡量。
相似性计算——如何评估样本之间的差异
簇内样本差异小，簇外样本样本差异大。
使用样本点间的距离衡量样本差异。
在这里，有两种常用距离：
- 欧式距离：向量的模值
- 会受指标单位刻度影响，需要先对数据标准化处理eg：min-max [0,1]，
- 欧氏距离越大，差异越大
- 余弦距离：向量的夹角——兴趣推荐
- 不受指标刻度的影响
- 值越大，差异越小
扫一扫
1463
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
