聚类评价指标

来源：欧得旅游网

聚类评价指标分为 内部指标 和 外部指标 两大类，用于评估聚类算法的性能。

内部评价指标不依赖真实标签，主要通过聚类结果本身的紧凑性和分离性进行评估。

外部指标依赖真实标签，衡量聚类结果与真实类别的匹配程度。

准确率（Accuracy, ACC）
- 衡量聚类结果与真实标签的最大匹配程度。
- 公式：
- 值域：[0, 1]，值越大表示聚类效果越好。
归一化互信息（Normalized Mutual Information, NMI）
- 衡量真实类别与聚类结果的互信息量。
- 公式：
- 值域：[0, 1]，值越大表示聚类效果越好。
调整兰德指数（Adjusted Rand Index, ARI）
- 衡量数据点对间一致性的调整比例。
- 公式：
- 值域：[-1, 1]，值越大表示聚类效果越好。

不同指标适用于不同场景：

目前的深度聚类领域的论文大多采用的是ACC、NMI、ARI三种，并且大多以NMI的值为准来衡量一个模型的聚类性能。也有部分论文采用了分类的F1指标来作为一种参考指标（个人认为可以不用）。当然，内部指标也可以用，我刚刚有一篇论文就被专家建议增加内部指标。。。。。。

因篇幅问题不能全部显示，请点此查看更多更全内容

查看全文