超级会员免费看
本文详细介绍了聚类评价指标中的兰德系数及其改进版调整兰德系数（ARI），阐述了它们的计算原理，并通过Python的sklearn库展示了如何使用兰德系数评估KMeans聚类的效果。通过示例分析，揭示了兰德系数在寻找最佳聚类数量时的优势，以及与轮廓系数的区别。
然后我们再来看一下另一个评价聚类指标的系数,可以看到 兰德系数
上面RI= a+b/C2 ... 首先要知道这里的C,就是实际的类别,就是我们在业务上知道的类别数,然后K表示聚类以后的结果
当然当C==K 一样的时候,说明聚类效果是最好的对吧.
a表示在C中被划分为同一类,也就是,比如一组数据实际被分为了3类,那么a,就表示 在C这种实际划分为比如3类,中的 划分为同一簇的实例的数量, 也就是实际C这种划分,被划分为同一簇的数据的数量
比如一组数据,实际被划分为3类,这就是C,这种实际划分情况,那么3类就有3个簇,那么a就表示在 这3个簇,比如c,d,e 这3个簇 中,归属于c这一个簇的数据的数据量
同时 同时使用聚类算法 获取的K类 中对应的同一簇的 数据的数量 对
b表示在C中被划分为不同类别,在K中被划分为不同簇的实例的数据量 比如一个数据在C中被划分到了c簇,在K中被划分到了d簇对吧,这样的数据的数量
后面ARI是对兰德系数进行了一下改进,这个改进了以后的兰德系数,更有说服力
订阅专栏 解锁全文
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
