2017.07.13:无监督算法评估

本文介绍了几种常用的无监督学习评估方法,包括Normalized mutual information用于度量两个聚类结果的相似度;通过随机子采样进行多次聚类以观察分类一致性;将无监督学习结果应用于有监督任务中进行评价;以及通过计算类内和类间距离来评估聚类效果。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

无监督学习的评估方法

1.Normalizedmutual information

度量2个聚类结果的相近程度

http://www.cnblogs.com/ziqiao/archive/2011/12/13/2286273.html

2.以sqrt(n)或者更小的随机subsampling出的样本去聚类 m次,看看有哪些点分类不太一致

改变聚类参数,达到比较结果

3.把无监督学习的结果带给一个有监督的任务来衡量

引入有监督的分类算法,例如决策树(信息增益作为Step1)

4. 类内越相近,类间越远越好

计算文本相似度,来确定分类类内类间距离

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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