基于精确率-召回率曲线下面积的聚类验证
机器学习
2023-04-05 v1
摘要
混淆矩阵及其派生度量提供了机器学习中模型性能评估的综合框架。这些在监督学习领域（尤其是分类）中广为人知且被广泛使用。令人惊讶的是，此类框架在聚类验证中尚未被充分探索。事实上，直至最近随着聚类 ROC 曲线下面积（AUCC）的提出才弥合了这一鸿沟，AUCC 是一种内部/相对聚类验证指数（CVI），可在真实应用场景中实现聚类验证。本工作中，我们探索了精确率-召回率曲线下面积（及相关度量）在聚类验证中的应用。我们表明这些不仅适合作为 CVI，而且在存在簇不平衡时应被优先采用。我们在真实与模拟数据集上对提出的和最先进的 CVI 进行了综合评估。我们的观察支持有监督与无监督学习的统一验证框架，因为它们与为监督学习模型评估所建立的现有准则一致。
引用
@article{arxiv.2304.01450,
title = {Clustering Validation with The Area Under Precision-Recall Curves},
author = {Pablo Andretta Jaskowiak and Ivan Gesteira Costa},
journal= {arXiv preprint arXiv:2304.01450},
year = {2023}
}
备注
15 pages, 5 figures