Индекс Дэвиса – Боулдина - Википедия - Davies–Bouldin index

Эта статья поднимает множество проблем. Пожалуйста помоги Улучши это или обсудите эти вопросы на страница обсуждения. (Узнайте, как и когда удалить эти сообщения-шаблоны) Эта статья слишком полагается на Рекомендации к основные источники. Пожалуйста, улучшите это, добавив вторичные или третичные источники. (Май 2010 г.) (Узнайте, как и когда удалить этот шаблон сообщения) Эта статья требует внимания специалиста по статистике. Пожалуйста, добавьте причина или разговаривать в этот шаблон, чтобы объяснить проблему со статьей. Статистика WikiProject может помочь нанять эксперта. (Май 2010 г.) (Узнайте, как и когда удалить этот шаблон сообщения)

В Индекс Дэвиса – Болдина (DBI), введенный Дэвидом Л. Дэвисом и Дональдом В. Боулдином в 1979 году, является метрикой для оценки алгоритмы кластеризации.^[1] Это внутренняя схема оценки, при которой проверка того, насколько хорошо была выполнена кластеризация, осуществляется с использованием количественных характеристик и характеристик, присущих набору данных. Это имеет недостаток, заключающийся в том, что хорошее значение, сообщаемое этим методом, не означает наилучшего поиска информации.^{[нужна цитата ]}

Предварительные мероприятия

Данный п размерные точки, пусть C_я быть кластером точек данных. Позволять Икс_j быть п-мерный вектор признаков, присвоенный кластеру C_я.

${ displaystyle S_ {i} = left ({ frac {1} {T_ {i}}} sum _ {j = 1} ^ {T_ {i}} { left | X_ {j} -A_ { i} right | ^ {p}} right) ^ {1 / p}}$

Здесь ${ displaystyle A_ {i}}$ это центроид из C_я и Т_я это размер кластера я. S_я - мера разброса внутри кластера. Обычно значение п равно 2, что делает это Евклидово расстояние функция между центроидом кластера и отдельными векторами признаков. Можно использовать многие другие метрики расстояния в случае коллекторы и данные более высокой размерности, где евклидово расстояние может быть не лучшим показателем для определения кластеров. Важно отметить, что эта метрика расстояния должна совпадать с метрикой, используемой в самой схеме кластеризации для получения значимых результатов.

${ Displaystyle M_ {я, j} = left | left | A_ {i} -A_ {j} right | right | _ {p} = { Bigl (} displaystyle sum _ {k = 1 } ^ {n} left | a_ {k, i} -a_ {k, j} right | ^ {p} { Bigr)} ^ { frac {1} {p}}}$

${ displaystyle M_ {i, j}}$ мера разделения кластера ${ displaystyle C_ {i}}$ и кластер ${ displaystyle C_ {j}}$.

${ displaystyle a_ {k, i}}$ это kй элемент ${ displaystyle A_ {i}}$, а таких элементов в А поскольку это n-мерный центроид.^{[непоследовательный ]}

Здесь k индексирует особенности данных, и это, по сути, Евклидово расстояние между центрами скоплений я и j когда п равно 2.

Определение

Позволять р_{я, j} быть мерой того, насколько хороша схема кластеризации. Эта мера по определению должна учитывать M_{я, j} разделение между я^th и j^th кластер, который в идеале должен быть как можно больше, и S_я- разброс внутри кластера для кластера i, который должен быть как можно меньше. Следовательно, индекс Дэвиса – Боулдина определяется как отношение S_я и M_{я, j} так что эти свойства сохраняются:

1. ${ Displaystyle R_ {я, j} geqslant 0}$.
2. ${ Displaystyle R_ {я, j} = R_ {j, i}}$.
3. Когда ${ Displaystyle S_ {j} geqslant S_ {k}}$ и ${ Displaystyle M_ {я, j} = M_ {я, k}}$ тогда ${ displaystyle R_ {i, j}> R_ {i, k}}$.
4. Когда ${ Displaystyle S_ {j} = S_ {k}}$ и ${ Displaystyle M_ {я, j} leqslant M_ {я, k}}$ тогда ${ displaystyle R_ {i, j}> R_ {i, k}}$.

При такой формулировке, чем ниже значение, тем лучше разделение кластеров и «герметичность» внутри кластеров.

Решение, удовлетворяющее этим свойствам:

${ displaystyle R_ {i, j} = { frac {S_ {i} + S_ {j}} {M_ {i, j}}}}$

Это используется для определения D_я:

${ Displaystyle D_ {я} эквив макс _ {j neq i} R_ {я, j}}$

Если N - количество кластеров:

${ displaystyle { mathit {DB}} Equiv { frac {1} {N}} displaystyle sum _ {i = 1} ^ {N} D_ {i}}$

БД называется индексом Дэвиса – Боулдина. Это зависит как от данных, так и от алгоритма. D_я выбирает наихудший сценарий, и это значение равно р_{я, j} для наиболее похожего кластера на кластер я. У этой формулировки может быть много вариаций, таких как выбор среднего значения кластерного сходства, средневзвешенного значения и так далее.

Объяснение

Эти условия ограничивают индекс, определенный таким образом, симметричным и неотрицательным. Из-за способа его определения как функции отношения разброса внутри кластера к расстоянию между кластерами меньшее значение будет означать, что кластеризация лучше. Это среднее сходство между каждым кластером и его наиболее похожим кластером, усредненное по всем кластерам, где сходство определяется как S_я над. Это подтверждает идею о том, что ни один кластер не должен быть похож на другой, и, следовательно, лучшая схема кластеризации по существу минимизирует индекс Дэвиса-Боулдина. Этот индекс, определенный таким образом, является средним по всем я кластеров, и, следовательно, хорошей мерой для определения того, сколько кластеров на самом деле существует в данных, является построение графика в сравнении с количеством кластеров, для которых они вычисляются. Номер я для которого это значение является наименьшим, является хорошей мерой количества кластеров, в которые можно идеально классифицировать данные. Это имеет применение при определении ценности k в kсредний алгоритм, где значение k неизвестно априори. Набор инструментов SOM содержит MATLAB выполнение.^[2] Реализация MATLAB также доступна через MATLAB Statistics and Machine Learning Toolbox, используя команду «evalclusters».^[3] А Ява реализация находится в ELKI, и его можно сравнить со многими другими индексами качества кластеризации.

Смотрите также

• Силуэт (кластеризация)
• Индекс Данна

внешняя ссылка

• http://citeseer.ist.psu.edu/viewdoc/summary?doi=10.1.1.17.2072
• https://books.google.com/books?id=HY8gB2OIqSoC
• http://nl.mathworks.com/help/stats/clustering.evaluation.daviesbouldinevaluation-class.html

Примечания и ссылки