浅谈我对DB INDEX (Davies Bouldin index)的理解

        
本人原创作品，转载请注明出自网易博客双鱼传说！

       说实话，国内的资料少之又少，去搜下GOOGLE大神的KEYWORD好了，我看到的不是求助就是论文摘要。这到底是个啥东西，为什么有人问没人说呢？ 不解，我只能自己写……Davies Bouldin index，如果照中文直译的话，可以叫做戴维森堡丁指数，有的论文里叫做分类适确性指标，以下简称DBI。这个指数或者指标是来确定到底你的测试性分类哪个结果最合理。

        做数据挖掘的时候，经常你不知道要做多少个Cluster，那么你就需要先按照大体构想来分那么几种测试性聚类，通过计算这个指数，来确定到底哪个Cluster最合理。当然，算法并没有十全十美的，你只能说是理论上合理了，实际这个指数能给别人多大帮助我自己真的也不得而知。

        如果纯从公式理解，我相信一定会搞的一头雾水，从最基础的元素说起吧，如果从结果上理解我觉得更能说明问题。DBI其实就是将几个Rmax值叠加，当你做出了几个Cluster，就会出现几个Rmax，这些Rmax值叠加的结果越小就说明这个分类越合理。

        而Rmax的取得来源于R，R的公式在下边有说明

        

        其实他很多公式都不需要看的，之要看这一个，了解所有要素的意思，那么这个指数就很简单的算出来了。图中的S说明的是点距，假设你做了5个Cluster这5个中的任意一列就可以视为一个Cluster的分布中点，用数据源中所有的要素去跟这个中点做比对，就出现了S。

        上图公式中，已经是细化到点距算法的S，一般是看不懂的，其实你只要知道S是所有要素到分布中心的距离就好了（更确切的说S是一个分布集合中所有点到分布中点的均值）。



        假设沃尔玛一年内的所有商品，所有商品都有对应的product_id，把他们月销量的数据检索出以后，每一个product_id可确定为一个空间点，假设你用分析软件吧这些商品分成了5个Cluster，这5个Cluster就确定了5个分布中点，把每个product_id到每一个空间点的距离全部计算出来（这里要用点距公式，平面点你能理解的话这个也不会很难，加几个括号就好了，最后一起开方就OK了），看看这些点的距离到底离哪个Cluster最近，这个商品就属于哪个Cluster。这样就可以知道我所有商品的Cluster属性。比如我Cluster0中有2000件商品，那么把这些product_id到Cluster0的点距加权平均算个AVG这就是S0。

        M是整个Cluster集合中每个点到其他点的距离。还是用我做了5个Cluster为例：

        0，1，2，3，4 这5个，每个点到其他点的距离是M，就会出现

           4+   3+    2+    1  =10
        M01 M12 M23 M34
        M02 M13 M24
        M03 M14 
        M04

        换句读法可能更好理解，M01读作M"0到1"，就是Cluster0到Cluster1的距离，也是算两点距离。你做了5个Cluster就有10个M，你做了9个就有36个，这都是可以慢慢自己算的

        其实你看看原公式，M本身跟S长的就很像，只不过M是5个分布中点相互之间的距离而已，都是点距！

        这样弄明白了S与M那么由上边的公式就不难算出R

        R01=(S0+S1)/M01 

        

         对比我给的公式跟原公式看看，是不是好理解一些

        由于有10个M，那么R值肯定也就是有10个，之后把一类相关的R提取出最大值，比如

        R0max=MAX(R01+R02+R03+R04)，最后把5个R的最大值全部加起来就是我们所求的DBI。

 参考文献：http://en.wikipedia.org/wiki/Davies-Bouldin_index

转自：http://visualmall.blog.163.com/blog/static/1224063812010116046392