剪影得分分析
剪影得分分析详细操作教程
剪影得分的范围是[-1，1]。其分析如下-
+1分数-接近+1 剪影分数表示样本距离其邻近簇很远。
0得分-0 剪影得分表示样本在将两个相邻聚类分开的决策边界上或非常接近。
-1分数-1 剪影分数表示样本已分配给错误的聚类。
使用下面的公式可以计算出轮廓分数
$$$ silhouette score \:= \ :( p-q）/ max（p，q）$$
在这里，p =到最近簇的点的平均距离
而且，q =到所有点的平均集群内距离。
戴维斯-布尔丹指数
DB索引是执行聚类算法分析的另一个很好的指标。借助DB索引，我们可以了解有关聚类模型的以下几点-
天气如何，群集之间的间隔是否适当？
这些簇有多少密度？
我们可以借助以下公式计算数据库索引-
$$ DB \:= \:\ frac {1} {n} \ displaystyle \ sum \ limits_ {i = 1} ^ n max_ {j \ neq \:i}（\ frac {\ sigma_ {i} + \ sigma_ {j}} {d（c_ {i}，c_ {j}）}）$$
在这里，n =簇数
$ \ sigma_ {i} $ =群集all中所有点到群集质心$ c_ {i} $的平均距离。
数据库索引越少，集群模型越好。
邓恩指数
它与数据库索引相同，但是在以下几点上都不同-
Dunn索引仅考虑最坏的情况，即靠近的集群，而DB索引考虑聚类模型中所有集群的分散和分离。
随着性能的提高，Dunn索引会增加，而当群集间隔适当且密集时，DB索引会变得更好。
我们可以借助以下公式计算Dunn指数-
$$ D \:= \:\ frac {min_ {1 \ leq \:i \ leq \:j \ leq \:n} p（i，j）} {max_ {1 \ leq \:i \ leq \:k \ leq \:n} q（k）} $$
这里i，j，k =聚类的每个索引
p =集群间距离
q =集群内距离
