<\/p>\n
Der Rand-Index<\/strong> ist eine M\u00f6glichkeit, die \u00c4hnlichkeit der Ergebnisse zwischen zwei verschiedenen Clustering-Methoden zu vergleichen.<\/span><\/p>\n Der Rand-Index wird oft mit R<\/em> bezeichnet und wie folgt berechnet:<\/span><\/p>\n R<\/em> = (a+b) \/ ( n<\/sub> C 2<\/sub> )<\/strong><\/span><\/p>\n Gold:<\/span><\/p>\n Der Rand-Index nimmt immer einen Wert zwischen 0 und 1 an, wobei:<\/span><\/p>\n Das folgende Beispiel veranschaulicht, wie der Rand-Index zwischen zwei Clustering-Methoden f\u00fcr einen einfachen Datensatz berechnet wird.<\/span><\/p>\n Angenommen, wir haben den folgenden Datensatz, der aus f\u00fcnf Elementen besteht:<\/span><\/p>\n Und nehmen wir an, wir verwenden zwei Clustering-Methoden, die jedes Element in die folgenden Cluster einordnen:<\/span><\/p>\n Um den Rand-Index zwischen diesen Clustering-Methoden zu berechnen, m\u00fcssen wir zun\u00e4chst alle m\u00f6glichen ungeordneten Paare im F\u00fcnf-Elemente-Datensatz aufschreiben:<\/span><\/p>\n Es gibt 10<\/strong> ungeordnete Paare.<\/span><\/p>\n Als n\u00e4chstes m\u00fcssen wir a<\/strong> berechnen, das die Anzahl der ungeordneten Paare darstellt, die in beiden Clustering-Methoden zum selben Cluster geh\u00f6ren:<\/span><\/p>\n In diesem Fall ist a = 1<\/strong> .<\/span><\/p>\n Als n\u00e4chstes m\u00fcssen wir b<\/strong> berechnen, das die Anzahl der ungeordneten Paare darstellt, die zu verschiedenen Clustern in den beiden Clustering-Methoden geh\u00f6ren:<\/span><\/p>\n In diesem Fall ist b = 5<\/strong> .<\/span><\/p>\n Schlie\u00dflich k\u00f6nnen wir den Rand-Index wie folgt berechnen:<\/span><\/p>\n Der Rand-Index betr\u00e4gt 0,6<\/strong> .<\/span><\/p>\n Wir k\u00f6nnen die Funktion rand.index()<\/strong> aus dem Fossil-<\/strong> Paket verwenden, um den Rand-Index zwischen zwei Clustering-Methoden in R zu berechnen:<\/span><\/p>\n Der Rand-Index betr\u00e4gt 0,6<\/strong> . Dies entspricht dem von uns manuell berechneten Wert.<\/span><\/p>\n Wir k\u00f6nnen die folgende Funktion in Python definieren, um den Rand-Index zwischen zwei Clustern zu berechnen:<\/span><\/p>\n Der Rand-Index betr\u00e4gt 0,6<\/strong> . Dies entspricht dem in den vorherigen Beispielen berechneten Wert.<\/span><\/p>\n Eine Einf\u00fchrung in das K-Means-Clustering<\/a> Der Rand-Index ist eine M\u00f6glichkeit, die \u00c4hnlichkeit der Ergebnisse zwischen zwei verschiedenen Clustering-Methoden zu vergleichen. Der Rand-Index wird oft mit R bezeichnet und wie folgt berechnet: R = (a+b) \/ ( n C 2 ) Gold: a: Die H\u00e4ufigkeit, mit der ein Elementpaar gem\u00e4\u00df zwei Clustering-Methoden zum selben Cluster geh\u00f6rt. b: Die H\u00e4ufigkeit, mit der […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[11],"tags":[],"yoast_head":"\n\n
\n
Beispiel: So berechnen Sie den Rand-Index<\/strong><\/span><\/h3>\n
\n
\n
\n
\n
\n
\n
So berechnen Sie den Rand-Index in R<\/strong><\/span><\/h3>\n
library<\/span> (fossil)\n\n#define clusters\n<\/span>method1 <- c(1, 1, 1, 2, 2)\nmethod2 <- c(1, 1, 2, 2, 3)\n\n#calculate Rand index between clustering methods\n<\/span>rand. index<\/span> (method1, method2)\n\n[1] 0.6\n<\/strong><\/span><\/pre>\n So berechnen Sie den Rand-Index in Python<\/strong><\/span><\/h3>\n
import<\/span> numpy as<\/span> np\nfrom<\/span> scipy. special<\/span> import<\/span> comb\n\n#define Rand index function\n<\/span>def<\/span> rand_index<\/span> (actual, pred):\n\n tp_plus_fp = comb(np. bincount<\/span> (actual), 2). sum<\/span> ()\n tp_plus_fn = comb(np. bincount<\/span> (pred), 2). sum<\/span> ()\n A = np. c_<\/span> [(actual, pred)]\n tp = sum(comb( np.bincount<\/span> (A[A[:, 0] == i, 1]), 2) .sum<\/span> ()\n for<\/span> i in<\/span> set(actual))\n fp = tp_plus_fp - tp\n fn = tp_plus_fn - tp\n tn = comb(len(A), 2) - tp - fp - fn\n return<\/span> (tp + tn) \/ (tp + fp + fn + tn)\n\n#calculate Rand index\n<\/span>rand_index([1, 1, 1, 2, 2], [1, 1, 2, 2, 3])\n\n0.6<\/strong><\/pre>\n Zus\u00e4tzliche Ressourcen<\/strong><\/span><\/h3>\n
Eine Einf\u00fchrung in das K-Medoid-Clustering<\/a>
Eine Einf\u00fchrung in das hierarchische Clustering<\/p>\n","protected":false},"excerpt":{"rendered":"