不属于算法评价指标的是,空气质量评价常用指标

重磅干货，第一时间到达正文自转：磐创AI

星标

1.1基于分区的方法

代表： k均值算法指定k个聚类中心

计算数据点与初始聚类中心的距离。

对于数据点，找到最近的{i}ci (群集中心)并将其分配给{i}ci ) )。

更新簇的中心点是新类别数值的平均点。

计算每种类型的偏差() ) )。

返回

返回步骤2

1.2基于分层的方法

代表：每个CURE算法样本为不同类别

合并

遍历本次样本并将其合并为新类别后，如果有多个类别，请返回步骤2

遍历本次样品，合并为新类别后，如果所有样品均为同一类别，则退出循环，输出每层类别

1.3基于网格的方法

将代表(STING算法)数据集合x分割为多层网格结构，从某个阶层开始计算

调查该阶层的网格间的属性值，计算属性值和阈值的关系，判定网格间的相关性。 不考虑不相关的网格

如果网格相关，请转至下一个层次的相关区域，然后转至步骤2，直到下一个层次位于最底层

返回相关网格结果

1.4基于密度的方法

代表：输入DBSCAN算法数据集x，随机选取点，找出该点所有高密度可达点

巡视该点附近的所有点，寻找这些密度可达点，判定某一点附近内的点，寻找这些点密度可达点，判定某一点附近内的点数是否超过阈值点数，若超过则构成核心点

扫描数据集，查找未聚集的数据点，然后重复步骤2

输出划分后的类，输出异常值点(与其他密度不连接)。

1.5神经网络方法

代表性： SOM算法数据集合、权重向量为、归一化处理

寻找获胜的神经元，找到最小距离，在每个输入数据中找到与其最一致的节点

的距离，更新权重。

更新邻近节点，其中表示学习率

1.6基于图的聚类方法

代表：谱聚类算法计算邻接矩阵、度矩阵、

计算拉普拉斯矩阵

计算正则化拉普拉斯矩阵

计算的特征值和特征向量

对q矩阵进行聚类，得到聚类结果

置顶

好的聚类方法可以生成高质量的集群，是的，集群内相似度高，集群间相似度低。 一般来说，评价集群质量有内部质量评价指标和外部评价指标两个标准。

2.1内部质量评价标准

内部评价指标是利用数据集的属性特征来评价聚类算法的优劣。 通过计算总体相似度、集群之间的平均相似度或集群内的平均相似度来评估集群的质量。 由于评价聚类效果高低通常采用聚类效度指标，目前检测聚类效度指标主要通过聚类间距和聚类内距离测定。 这种指标经常使用ch(Calinski-Harabasz )指标等

CH指标CH指标定义如下

其中，表示类间距离差矩阵的轨道是表示类内方差矩阵的轨道，是整个数据集的平均，是第一个集群的平均，表示集群数，表示当前类。 值越大聚类效果越好，主要计算聚类间距离与聚类内距离之比

团簇聚集度团内点对的平均距离反映团簇聚集度，一般用群内误差平方(SSE )表示。

群集接近度群集的接近度用群集间平方和(SSB )表示。 这是从簇的质心到簇中所有数据点的总平均值的距离的平方和

2.2外部质量评价标准

外部质量评价指标可以根据已知的分类标签数据集进行评价，并将原始标签数据与聚类输出结果进行比较。 外部质量评价指标的理想聚类结果是具有不同类型标签的数据被聚集到不同的聚类中，具有相同类型标签的数据被聚集到同一个聚类中。 外部质量评价标准一般采用熵、纯度等指标测定。

熵：簇中包含单个类对象的度量。 对于每个集群，首先计算数据的类分布。 也就是说，对于群集，计算群集成员属于类的概率

它表示群集中所有对象的数量，并表示群集中类的对象的数量。 使用类分布，使用标准表达式：

计算每个簇的熵。 其中k是班级数。 集群集合的总熵通过每个集群熵的加权和来计算。

这里，是簇个数，是簇内的数据点的总和

纯度：集群中包含单个类对象的另一个度量。 团簇纯度为，团簇总纯度为。

1. 典型聚类算法

“2. 聚类算法的评价指标”在公众号的后台回复：下载1：OpenCV-Contrib扩展模块中文版教程