<\/p>\n
L’ indice Rand<\/strong> \u00e8 un modo per confrontare la somiglianza dei risultati tra due diversi metodi di clustering.<\/span><\/p>\n Spesso indicato con R<\/em> , l’indice Rand viene calcolato come segue:<\/span><\/p>\n R<\/em> = (a+b) \/ ( n<\/sub> C 2<\/sub> )<\/strong><\/span><\/p>\n Oro:<\/span><\/p>\n L’indice Rand assume sempre un valore compreso tra 0 e 1 dove:<\/span><\/p>\n L’esempio seguente illustra come calcolare l’indice Rand tra due metodi di clustering per un set di dati semplice.<\/span><\/p>\n Supponiamo di avere il seguente set di dati composto da cinque elementi:<\/span><\/p>\n E supponiamo di utilizzare due metodi di clustering che inseriscono ciascun elemento nei seguenti cluster:<\/span><\/p>\n Per calcolare l’indice Rand tra questi metodi di clustering, dobbiamo prima annotare tutte le possibili coppie non ordinate nel set di dati di cinque elementi:<\/span><\/p>\n Ci sono 10<\/strong> coppie non ordinate.<\/span><\/p>\n Successivamente, dobbiamo calcolare a<\/strong> , che rappresenta il numero di coppie non ordinate appartenenti allo stesso cluster in entrambi i metodi di clustering:<\/span><\/p>\n In questo caso, a = 1<\/strong> .<\/span><\/p>\n Successivamente, dobbiamo calcolare b<\/strong> , che rappresenta il numero di coppie non ordinate appartenenti a cluster diversi nei due metodi di clustering:<\/span><\/p>\n In questo caso, b = 5<\/strong> .<\/span><\/p>\n Infine, possiamo calcolare l\u2019indice Rand come segue:<\/span><\/p>\n L’indice Rand \u00e8 0,6<\/strong> .<\/span><\/p>\n Possiamo usare la funzione rand.index()<\/strong> dal pacchetto fossil<\/strong> per calcolare l’indice Rand tra due metodi di clustering in R:<\/span><\/p>\n L’indice Rand \u00e8 0,6<\/strong> . Ci\u00f2 corrisponde al valore che abbiamo calcolato manualmente.<\/span><\/p>\n Possiamo definire la seguente funzione in Python per calcolare l’indice Rand tra due cluster:<\/span><\/p>\n L’indice Rand risulta essere 0,6<\/strong> . Ci\u00f2 corrisponde al valore calcolato negli esempi precedenti.<\/span><\/p>\n Un’introduzione al clustering K-Means<\/a> L’ indice Rand \u00e8 un modo per confrontare la somiglianza dei risultati tra due diversi metodi di clustering. Spesso indicato con R , l’indice Rand viene calcolato come segue: R = (a+b) \/ ( n C 2 ) Oro: a: il numero di volte in cui una coppia di elementi appartiene allo stesso cluster secondo […]<\/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
Esempio: come calcolare l’indice Rand<\/strong><\/span><\/h3>\n
\n
\n
\n
\n
\n
\n
Come calcolare l’indice Rand 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 Come calcolare l’indice Rand 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 Risorse addizionali<\/strong><\/span><\/h3>\n
Un’introduzione al clustering K-Medoids<\/a>
Un’introduzione al clustering gerarchico<\/p>\n","protected":false},"excerpt":{"rendered":"