聚类验证指标从 A 到 Z 的综述
机器学习
2024-07-31 v1
摘要
数据聚类涉及识别数据集中潜在的相似性并将其组织成簇或组。各种聚类算法的结果因其对原始数据集内在特征的敏感性（包括噪声和维度）而有所不同。此类聚类程序的有效性直接影响簇的均质性，凸显了评估算法结果的重要性。因此，聚类质量的评估是一个具有显著性和复杂性的工程。影响聚类验证的关键因素是簇有效性指标，这有助于确定最佳簇数的。本研究的主要目标是综述和解释内部和外部簇有效性指标（但并非全部）的数学操作，以对这些指标进行分类，并为聚类验证研究的未来发展头脑风暴。此外，我们评估了内部和外部聚类验证指标在最常见的聚类算法（如演化聚类算法 star（ECA*））上的性能。我们提出一种分类框架，用于检讨这两种内部和外部聚类验证措施的功能，包括其理想值、用户友好性、对输入数据的响应性以及在 various fields 中的适当性。这种分类有助于研究人员选择符合其具体需求的合适聚类验证措施。
引用
@article{arxiv.2407.20246,
title = {From A-to-Z Review of Clustering Validation Indices},
author = {Bryar A. Hassan and Noor Bahjat Tayfor and Alla A. Hassan and Aram M. Ahmed and Tarik A. Rashid and Naz N. Abdalla},
journal= {arXiv preprint arXiv:2407.20246},
year = {2024}
}