聚类有效性——最佳聚类数

最新推荐文章于 2025-12-23 20:28:02 发布
原创 最新推荐文章于 2025-12-23 20:28:02 发布 · 3.8w 阅读 · 100
本文介绍了聚类有效性的内部指标，特别是Calinski-Harabasz(CH)和Davies-Bouldin(DB)指标，用于确定数据集的最佳聚类数。CH指标衡量类内离差与类间离差的比例，DB指标则通过比较类内散度和类间距离来评估。通过在Matlab中应用这些指标，结合k-means算法，可以找到最大化这些指标值的最优聚类数。

聚类有效性的评价标准有两种：一是外部标准，通过测量聚类结果和参考标准的一致性来评价聚类结果的优良；另一种是内部指标，用于评价同一聚类算法在不同聚类数条件下聚类结果的优良程度，通常用来确定数据集的最佳聚类数。
一 最佳聚类数判定的方法
对于内部指标，通常分为三种类型：基于数据集模糊划分的指标；基于数据集样本几何结构的指标；基于数据集统计信息的指标。基于数据集样本几何结构的指标根据数据集本身和聚类结果的统计特征对聚类结果进行评估，并根据聚类结果的优劣选取最佳聚类数，这些指标有Calinski-Harabasz(CH)指标，Davies-Bouldin(DB)指标Weighted inter-intra(Wint)指标，Krzanowski-Lai(KL)指标，Hartigan(Hart)指标，In-Group Proportion(IGP)指标等。本文主要介绍Calinski-Harabasz(CH)指标和Davies-Bouldin(DB)指标。
（1） CH指标
CH指标通过类内离差矩阵描述紧密度，类间离差矩阵描述分离度，指标定义为
这里写图片描述

其中，n表示聚类的数目 ,k 表示当前的类, trB(k)表示类间离差矩阵的迹, trW(k) 表示类内离差矩阵的迹。有关公式更详细的解释可参考论文“ A dendrite method for cluster analysis ”。
可以得出 CH越大代表着类自身越紧密，类与类之间越分散，即更优的聚类结果。

（2） DB指标
DB指标通过描述样本的类内散度与各聚类中心的间距，定义为
这里写图片描述
其中，K是聚类数目，Wi表示类Ci中的所有样本到其聚类中心的平均距离，Wj表示类Ci中的所有样本到类Cj中心的平均距离，Cij表示类Ci和Cj中心之间的距离。可以看出，DB越小表示类与类

最低0.47元/天 解锁文章
MATLAB回归分析（2）和聚类分析
m0_61503226的博客
01-13 1037
多元线性和广义线性回归 多元线性回归是采用函数 LinearModel 的fit 方法，做多元线性回归。步骤与前面相似，之后自己会写类似题目，会相互对照的。
近邻传播算法的实现
BitSlinger的博客
09-06 206
近邻传播算法的实现近邻传播（Nearest Neighbor Propagation）算法是一种无监督学习算法，用于聚类和图分割问题。它基于数据点之间的相似性之间的相似性度量，将数据点逐步传播到其之间的相似性度量，将数据点逐步传播到其最近的邻居，从而之间的相似性度量，将数据点逐步传播到其最近的邻居，从而形成聚类或分割结果。本文将详之间的相似性度量，将数据点逐步传播到其最近的邻居，从而形成聚类或分割结果。本文将详细介绍近邻传播算法的之间的相似性度量，将数据点逐步传播到其最近的邻居，从而形成聚类或分割结果。本文
K-means实现图像聚类
weixin_42056532的博客
07-12 7647
1.实验准备 进行实验的前提是将实验数据和需要的实验工具准备齐全。 首先去网站http://www.cs.toronto.edu/~kriz/cifar.html中下载CIFAR-10数据集，这里选用的是matlab版本的数据。 图1 matlab版本数据的下载 该数据集中包含5个data_batch和1个test_batch文件，均为...
【图像分割】基于改进的模糊聚类WFCM算法实现图像分割matlab代码
qq_59747472的博客
11-03 1413
1 简介 模糊 C 均值聚类（FCM）算法是一种基于非监督聚类算法。样本加权模糊 C 均值聚类（WFCM）算法是 FCM 算法的改进，该算法能够明显提高收敛速度和聚类的准确性。无论是 FCM 算法还是 WFCM 算法，对噪声都相对敏感，而且聚类数目仍然需要人工确定。在此提出一种改进算法，首先通过偏微分方程（PDE）降噪算法对原始脑 MRI医学图像进行处理；其次利用聚类有效性确定最佳聚类数目，对 WFCM 算法进行改进；最后利用本文改进算法对图像进行聚类分割。实验表明，该方法是一种具有自动分类能力、抗噪性较
matlab evalclusters,Evaluate clustering solutions
weixin_42327217的博客
03-21 823
Use an input matrix of proposed clustering solutions to evaluate the optimal number of clusters.Load the sample data.load fisheriris;The data contains length and width measurements from the sepals and...
肘方法确定聚类数k_一种新的最佳聚类数确定方法
weixin_31509859的博客
12-23 829
一种新的最佳聚类数确定方法一种新的最佳聚类数确定方法摘要：为了更有效地确定数据集的聚类数最佳聚类数，提出一种新的确定数据集最佳聚类数的算法。该算法借签层次聚类的思想，一次性地生成所有可能的划分，然后根据有效性指标选择最佳的聚类划分，进而获得最佳聚类数。理论分析和实验结果证明，该算法具有良好的性能。关键词：层次聚类；最佳聚类数；聚类有效性指标；聚类最佳聚类数的判定通常采用一种基于迭代的trial-a...
基于谱聚类算法（Spectral Clustering）的数据聚类可视化方法详解
默默科研仔的博客
04-06 1291
基于谱聚类算法（Spectral Clustering）的数据聚类可视化方法详解
KMEANS均值聚类和层次聚类：亚洲国家地区生活幸福质量异同可视化分析和选择最佳聚类数...
拓端研究室TRL
06-22 91
原文链接：http://tecdat.cn/?p=24198简介《世界幸福报告》是可持续发展解决方案网络的年度报告，该报告使用盖洛普世界民意调查的调查结果研究了150多个国家/地区的生活质量。报告的重点是幸福的社交环境。在本项目中，我将使用世界幸福报告中的数据来探索亚洲22个国家或地区，并通过查看每个国家的阶梯得分，社会支持，健康的期望寿命，自由选择生活，慷慨，对腐败的看法以及人均GDP，来探索亚...
【聚类算法】高维数据的聚类
RickyWasYoung的博客
12-04 305
设原本聚类数是4，目标聚类数也是4。
K-means聚类算法详解：原理、实现与鸢尾花数据集实战
最新发布
Liyanqing_的博客
12-23 1085
K-means算法是最经典且应用最广泛的基于划分的聚类算法之一，最早诞生于信号处理领域。该算法采用距离作为相似性的评价指标，认为两个对象的距离越近，其相似度就越大。算法最终将n个数据样本划分到k个簇中，使得同一簇内的样本相似度较高，不同簇间的样本相似度较低。算法核心思想：通过迭代优化，将数据划分为k个簇，使得每个数据点到其所属簇中心（质心）的距离平方和最小。数学形式化定义。
Machine Learning for Data Analysis（4） k-Means Cluster Analysis
盲人摸象
10-10 385
I am using Python 3.7, Windows 10, Anaconda. The data set tree_addhealth.csvand the code arefrom the courseMachine Learning for Data Analysis https://www.coursera.org/learn/machine-learning-data-a...
确定最佳聚类的算法（一）
XIAOFEI@IDO
04-01 5179
一、背景 聚类最难得就是确定最佳的聚类数，下面介绍几种方法。 二、确定最佳聚类数 2.1 轮廓系数（Silhouette） Silhouette系数是对聚类结果有效性的解释和验证，由Peter J. Rousseeuw于1986提出。 图解原理如下： 具体方法如下： 计算簇内不相似度 计算样本 iii 到同簇其他样本的平均距离 aia_iai​。aia_iai​ 越小，说明样本 iii 越应该被聚类到该簇。将 aia_iai​ 称为样本 iii 的簇内不相似度。 簇C中所有样本的a i 均值称为簇
机器学习——聚类算法的评分函数
张小鱼的博客
06-08 1969
假设有一个数据集包含 $n$ 个点，每个点有 $m$ 个特征，现在需要将这些点分为 $k$ 个簇。其中，$a_i$ 表示数据点 $i$ 到其所属簇中所有其他点的平均距离，$b_i$ 表示数据点 $i$ 到距离它最近的其他簇中所有点的平均距离，轮廓系数的取值范围为 $[-1, 1]$，值越大则表示聚类效果越好。根据轮廓系数的取值范围，可以评估聚类效果的好坏。其中，$n$ 表示数据点总数，$k$ 表示聚类数目，CHI 的值越大则表示聚类效果越好。其中，$k$ 表示聚类数目，DBI 的值越小则表示聚类效果越好。
K-means算法及最佳聚类数目的确定
2401_83250053的博客
03-12 3031
综上所述，CH值、DB值、Gap值和轮廓系数都是常用的聚类效果评价指标，它们从不同的角度对聚类结果进行了度量。Kmeans算法对初始值是⽐较敏感的，对于同样的k值，选取的点不同，会影响算法的聚类效果和迭代的次数。通过计算原始数据中的：CH值、DB值、Gap值、轮廓系数，四种指标来衡量K-means的最佳聚类数目，并使用K-means进行聚类，最后可视化聚类的结果。用于丰富充实论文内容。聚类效果评判中的CH值、DB值、Gap值和轮廓系数是四种常用的指标，它们从不同的角度衡量了聚类的质量。
Python实现聚类分析和数据降维
热门推荐
m0_64336780的博客
09-29 1万+
K-Means是聚类算法中最常用的一种，是一种迭代求解的聚类分析算法；聚类是一种 无监督学习，事先并不知道分类标签是什么，它能够将具有相似特征的对象划分 到同一个集 合（簇）中。簇内的对象越相似，聚类算法的效果越好。
kmeans 最佳聚类个数 | 轮廓系数（越大越好）
生物信息学专栏(BioMooc)
11-26 1400
轮廓系数越大，表示簇内实例之间紧凑，簇间距离大，这正是聚类的标准概念。目的：鸢尾花数据进行kmeans聚类，最佳聚类个数是多少？
MATLAB聚类 自适应 从类别数目的选择到聚类
乱七八糟的笔记
09-18 7880
聚类是很快的，所以不需要自适应，只需要[1.....N]个类中心，遍历一遍，得到N个评估值，[1.....N]选一个最好的类中心数目即可。 类中心个数的评估： eva = evalclusters(mat,'kmeans','CalinskiHarabasz',... 'klist',[1:6]) eva = evalclusters(mat,'linkage','CalinskiH...
从零开始人工智能Matlab案例-顾客聚类分析（无监督学习）
weixin_31268759的博客
02-06 643
使用Calinski-Harabasz指标评估不同K值的聚类效果。：Calinski-Harabasz指数（CH指数）：对电商用户消费行为进行聚类，划分不同客户群体。：人工创建两组二维高斯分布数据，形成两个簇。：重新计算簇中心（取簇内样本均值）：簇中心不再变化或达到最大迭代次数。预期呈现两个明显分离的簇，中心接近。：用最佳K值进行聚类并可视化结果。：每个样本所属簇的编号（1或2）对于生成的两簇数据，最佳K值。：将每个样本分配到最近的簇中心。：最终簇中心坐标（2×2矩阵）评估K=1到5时的聚类质量。
评论 9
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值