本文介绍了轮廓系数这一评估聚类效果的指标，通过比较类间距离与类内距离的相对大小来判断聚类结果的好坏。轮廓系数的概念与Fisher线性判别相似，但用途不同，前者用于评价聚类质量，后者用于数据降维。
轮廓系数 是用来 判断 “聚类效果”的 一个指标。
轮廓系数的核心思想是判断：类间距离 与 类内距离 的相对大小，如果 类间距离 > 类内距离，则说明 聚类结果好，反之，则不好。
轮廓系数 的 这种思想 与 “Fisher线性判别”很相似，都是判定 “类间距离” 与 “类内距离” 的相对大小。不同的是，轮廓系数 是用来 衡量“聚类结果”好坏的，而Fisher线性判别中“类间，类内距离比较”是 用来“将原始维度数据 降到 一维线性空间”的，这种降维行为有一个前提，即：使得 各类别之间 能够在 降维后的 空间 被很好的 区分开来。
参考博文：聚类评估算法-轮廓系数（Silhouette Coefficient ）
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
