硬划分的增量聚类有效性指标：扩展与比较研究
机器学习
2019-02-19 v1 机器学习
摘要
验证是聚类最重要的方面之一，但大多数方法都是批处理方法。近来，提供增量替代方案的兴趣日益增长。本文扩展了增量聚类有效性指标（iCVI）族，纳入了 Calinski-Harabasz（iCH）、I 指标和 Pakhira-Bandyopadhyay-Maulik（iI 和 iPBM）、Silhouette（iSIL）、负熵增量（iNI）、代表性交叉信息势（irCIP）和代表性交叉熵（irH）以及 Conn_Index（iConn_Index）的增量版本。此外，通过一项比较研究考察了欠划分与过划分对这六个 iCVI、划分分离（PS）指标以及另外两个近期开发的 iCVI（增量 Xie-Beni（iXB）和增量 Davies-Bouldin（iDB））行为的影响。使用基于模糊自适应共振理论（ART）的聚类方法的实验结果表明，虽然大多数欠划分情况的证据可从所有这些 iCVI 的行为中推断出来，但过划分被发现是更具挑战性的情形，仅由 iConn_Index 指示。增量有效性指标的扩展为评估和解释无监督学习的结果提供了重要的新机会。
引用
@article{arxiv.1902.06711,
title = {Incremental Cluster Validity Indices for Hard Partitions: Extensions and Comparative Study},
author = {Leonardo Enzo Brito da Silva and Niklas M. Melton and Donald C. Wunsch},
journal= {arXiv preprint arXiv:1902.06711},
year = {2019}
}