基于 Jeffrey 散度的聚类有效性指标
机器学习
2018-12-24 v1 计算机视觉与模式识别
摘要
聚类有效性指标是非常重要的工具，设计用于两个目的：比较聚类算法的性能以及确定最契合数据的聚类数目。这些指标通常通过将紧致性度量与分离性度量相结合来构造。紧致性的经典度量是方差。至于分离性，则使用簇中心之间的距离。然而，此类距离并非总能反映簇间划分的质量，有时会给出误导性结果。在本文中，我们提出一种新的聚类有效性指标，其中使用 Jeffrey 散度来度量簇间分离性。使用不同类型的数据进行了实验，与广泛使用的聚类有效性指标的比较表明了所提指标的优越性。
引用
@article{arxiv.1812.08891,
title = {Cluster validity index based on Jeffrey divergence},
author = {Ahmed Ben Said and Rachid Hadjidj and Sebti Foufou},
journal= {arXiv preprint arXiv:1812.08891},
year = {2018}
}