<\/p>\n
De Rand-index<\/strong> is een manier om de gelijkenis van resultaten tussen twee verschillende clustermethoden te vergelijken.<\/span><\/p>\n Vaak aangeduid met R<\/em> , wordt de Randindex als volgt berekend:<\/span><\/p>\n R<\/em> = (a+b) \/ ( n<\/sub> C 2<\/sub> )<\/strong><\/span><\/p>\n Goud:<\/span><\/p>\n De Randindex heeft altijd een waarde tussen 0 en 1 waarbij:<\/span><\/p>\n Het volgende voorbeeld illustreert hoe u de Rand-index tussen twee clustermethoden voor een eenvoudige gegevensset kunt berekenen.<\/span><\/p>\n Stel dat we de volgende dataset hebben die uit vijf elementen bestaat:<\/span><\/p>\n En stel dat we twee clustermethoden gebruiken die elk element in de volgende clusters plaatsen:<\/span><\/p>\n Om de Randindex tussen deze clustermethoden te berekenen, moeten we eerst alle mogelijke ongeordende paren in de dataset met vijf elementen opschrijven:<\/span><\/p>\n Er zijn 10<\/strong> ongeordende paren.<\/span><\/p>\n Vervolgens moeten we a<\/strong> berekenen, die het aantal ongeordende paren vertegenwoordigt dat tot hetzelfde cluster behoort in beide clustermethoden:<\/span><\/p>\n In dit geval is a = 1<\/strong> .<\/span><\/p>\n Vervolgens moeten we b<\/strong> berekenen, wat het aantal ongeordende paren vertegenwoordigt dat tot verschillende clusters behoort in de twee clustermethoden:<\/span><\/p>\n In dit geval is b = 5<\/strong> .<\/span><\/p>\n Tenslotte kunnen we de Randindex als volgt berekenen:<\/span><\/p>\n De Randindex bedraagt 0,6<\/strong> .<\/span><\/p>\n We kunnen de functie rand.index()<\/strong> uit het fossiele<\/strong> pakket gebruiken om de Rand-index te berekenen tussen twee clustermethoden in R:<\/span><\/p>\n De Randindex bedraagt 0,6<\/strong> . Dit komt overeen met de waarde die we handmatig hebben berekend.<\/span><\/p>\n We kunnen de volgende functie in Python defini\u00ebren om de Rand-index tussen twee clusters te berekenen:<\/span><\/p>\n De Randindex blijkt 0,6<\/strong> te zijn. Dit komt overeen met de waarde die in de voorgaande voorbeelden is berekend.<\/span><\/p>\n Een inleiding tot K-Means-clustering<\/a> De Rand-index is een manier om de gelijkenis van resultaten tussen twee verschillende clustermethoden te vergelijken. Vaak aangeduid met R , wordt de Randindex als volgt berekend: R = (a+b) \/ ( n C 2 ) Goud: a: het aantal keren dat een paar elementen tot hetzelfde cluster behoort volgens twee clustermethoden. b: het aantal […]<\/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":[],"class_list":["post-1643","post","type-post","status-publish","format-standard","hentry","category-gids"],"yoast_head":"\n\n
\n
Voorbeeld: Hoe de Rand-index te berekenen<\/strong><\/span><\/h3>\n
\n
\n
\n
\n
\n
\n
Hoe de Rand-index in R te berekenen<\/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 Hoe de Rand-index in Python te berekenen<\/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 Aanvullende bronnen<\/strong><\/span><\/h3>\n
Een inleiding tot K-Medoids-clustering<\/a>
Een inleiding tot hi\u00ebrarchische clustering<\/p>\n","protected":false},"excerpt":{"rendered":"