For {displaystyle s(i)} to be close

For {displaystyle s(i)} to be close to 1 we require {displaystyle a(i)ll b(i)} . As {displaystyle a(i)} is a measure of how dissimilar {displaystyle i} is to its own cluster, a small value means it is well matched. Furthermore, a large {displaystyle b(i)} implies that {displaystyle i} is badly matched to its neighbouring cluster. Thus an {displaystyle s(i)} close to one means that the datum is appropriately clustered. If {displaystyle s(i)} is close to negative one, then by the same logic we see that {displaystyle i} would be more appropriate if it was clustered in its neighbouring cluster. An {displaystyle s(i)} near zero means that the datum is on the border of two natural clusters.

The average {displaystyle s(i)} over all data of a cluster is a measure of how tightly grouped all the data in the cluster are. Thus the average {displaystyle s(i)} over all data of the entire dataset is a measure of how appropriately the data has been clustered. If there are too many or too few clusters, as may occur when a poor choice of {displaystyle k} is used in the clustering algorithm (e.g.: k-means), some of the clusters will typically display much narrower silhouettes than the rest. Thus silhouette plots and averages may be used to determine the natural number of clusters within a dataset. One can also increase the likelihood of the silhouette being maximized at the correct number of clusters by re-scaling the data using feature weights that are cluster specific

ผลลัพธ์ (ไทย) 1:

สำหรับ {displaystyle s(i) } ที่ 1 เราต้องใช้ {b(i) ll displaystyle (i) } {Displaystyle a(i) } เป็น การวัดความแตกต่างกันอย่างไร { displaystyle ฉัน} เป็นคลัสเตอร์ของตัวเอง ค่าขนาดเล็กหมายความว่า มันจะจับคู่ นอกจากนี้ ขนาดใหญ่ {displaystyle b(i) } ก็หมายความว่า { displaystyle ฉัน} ไม่ดีจับคู่กับคลัสเตอร์อยู่ใกล้เคียง ดังนั้น {displaystyle s(i) } ปิดหนึ่งหมายความว่า datum ที่เหมาะสมภูมิ ถ้า {displaystyle s(i) } เป็นลบหนึ่ง แล้ว โดยตรรกะเดียวกัน ที่เราเห็นว่า { displaystyle ฉัน} จะเหมาะสมถ้ามัน clustered ในคลัสเตอร์อยู่ใกล้เคียง การ {displaystyle s(i) } ใกล้ศูนย์หมายความ ว่า datum ที่อยู่บนเส้นขอบของกลุ่มธรรมชาติสองค่าเฉลี่ย {displaystyle s(i) } ข้อมูลทั้งหมดของคลัสเตอร์เป็นตัวชี้วัดของวิธีแน่นจัดกลุ่มข้อมูลในคลัสเตอร์ทั้งหมด ดังนั้น ค่าเฉลี่ย {displaystyle s(i) } ข้อมูลทั้งหมดของชุดข้อมูลทั้งหมดคือ การวัดวิธีเหมาะสมกลุ่มข้อมูล ถ้ามีมากเกินไป หรือน้อยเกินไปคลัสเตอร์ อาจเกิดขึ้นเมื่อใช้ในอัลกอริทึม clustering อึดอัดของ {displaystyle k } (เช่น: ถึง), บางส่วนของคลัสเตอร์โดยทั่วไปจะแสดงเงาแคบมากกว่าส่วนเหลือ ดังนั้นแปลงเงา และค่าเฉลี่ยอาจถูกใช้เพื่อกำหนดหมายเลขธรรมชาติของคลัสเตอร์ภายในชุดข้อมูล หนึ่งยังสามารถเพิ่มโอกาสของเงาที่ถูกขยายใหญ่สุดที่จำนวนคลัสเตอร์ถูกต้อง โดยมาตราส่วนข้อมูลที่ใช้น้ำหนักของคุณลักษณะที่มีเฉพาะคลัสเตอร์ใหม่

ผลลัพธ์ (ไทย) 2:

สำหรับ { displaystyle s (i)} จะใกล้เคียงกับที่เราต้องการ 1 { displaystyle A (i) LL B (i)} ในฐานะที่เป็น { displaystyle A (i)} เป็นตัวชี้วัดของวิธีการที่แตกต่างกัน { displaystyle i} เป็นคลัสเตอร์ของตัวเองและตัวอักษรขนาดเล็กหมายความว่ามันจะถูกจับคู่กัน นอกจากนี้มีขนาดใหญ่ { displaystyle B (i)} หมายความว่า { displaystyle i} ไม่ดีจะถูกจับคู่กับคลัสเตอร์เพื่อนบ้าน ดังนั้น { displaystyle s (i)} ใกล้กับหนึ่งหมายความว่าตัวเลขจะคลัสเตอร์เหมาะสม ถ้า { displaystyle s (i)} อยู่ใกล้กับเชิงลบหนึ่งแล้วโดยตรรกะเดียวกันกับที่เราเห็นว่า { displaystyle i} จะเหมาะสมกว่าถ้ามันเป็นคลัสเตอร์ในคลัสเตอร์เพื่อนบ้าน { displaystyle s (i)} ใกล้ศูนย์หมายความว่าตัวเลขที่อยู่บนเส้นขอบของสองกลุ่มธรรมชาติ. เฉลี่ย { displaystyle s (i)} มากกว่าข้อมูลทั้งหมดของคลัสเตอร์เป็นตัววัดว่าแน่นจัดกลุ่มข้อมูลทั้งหมด ในกลุ่มมี ดังนั้นค่าเฉลี่ย { displaystyle s (i)} มากกว่าข้อมูลทั้งหมดของชุดข้อมูลทั้งหมดเป็นตัวชี้วัดของวิธีการที่เหมาะสมข้อมูลที่ได้รับคลัสเตอร์ หากมีกลุ่มมากเกินไปหรือน้อยเกินไปในขณะที่อาจจะเกิดขึ้นเมื่อมีการเลือกที่ดีของ { displaystyle K} จะใช้ในขั้นตอนวิธีการจัดกลุ่ม (เช่น: K-วิธี) บางกลุ่มมักจะแสดงเงาแคบกว่าส่วนที่เหลือ . ดังนั้นแผนการเงาและค่าเฉลี่ยอาจจะถูกใช้ในการกำหนดจำนวนธรรมชาติของกลุ่มที่อยู่ในชุดข้อมูล หนึ่งยังสามารถเพิ่มโอกาสในเงาที่ถูกขยายใหญ่สุดในจำนวนที่ถูกต้องของกลุ่มโดยการปรับข้อมูลโดยใช้น้ำหนักคุณลักษณะที่มีความเฉพาะเจาะจงคลัสเตอร์

ผลลัพธ์ (ไทย) 3:

สำหรับ { displaystyle S ( i ) } จะใกล้เคียงกับ 1 เราต้องการ { displaystyle ( ฉัน ) จะ B ( I ) } เป็น displaystyle } { ( i ) เป็นตัวชี้วัดว่าไม่เหมือนกัน displaystyle ผม } { คือ กลุ่มของตัวเอง ที่ค่าขนาดเล็ก หมายความว่า มันจับคู่กัน นอกจากนี้ ขนาดใหญ่ { displaystyle B ( I ) } { ฉัน } หมายความว่า displaystyle เลวตรงกับเพื่อนบ้านกลุ่ม ดังนั้น { displaystyle S ( i ) } ใกล้หนึ่งหมายความว่าตัวเลขที่เหมาะสมกลุ่ม ถ้า { displaystyle S ( i ) } ปิดเป็นลบ แล้วโดยตรรกะเดียวกัน เราเห็นว่าฉัน } { displaystyle จะเหมาะสมกว่าถ้าเป็นกระจุกในกลุ่มใกล้เคียง . เป็น { displaystyle S ( i ) } ใกล้ศูนย์หมายความว่าตัวเลขบนเส้นขอบของ 2 กลุ่มธรรมชาติโดย { displaystyle S ( i ) } มากกว่าข้อมูลทั้งหมดของคลัสเตอร์เป็นตัวชี้วัดว่าแน่น จัดกลุ่มข้อมูลทั้งหมดในกลุ่มจะ ดังนั้นเฉลี่ย { displaystyle S ( i ) } มากกว่าข้อมูลทั้งหมดของข้อมูลทั้งหมดเป็นวัดของวิธีการที่เหมาะสมของข้อมูลได้ถูกกลุ่ม หากมีมากเกินไปหรือน้อยเกินไปของกลุ่มที่อาจเกิดขึ้นเมื่อเลือกที่ดีของ { K } displaystyle ใช้ในการจัดกลุ่มขั้นตอนวิธี ( เช่น : k-means ) บางกลุ่มมักจะแสดงเงามากแคบกว่าที่เหลือ จึงแปลงภาพและค่าเฉลี่ยอาจจะถูกใช้เพื่อตรวจสอบหมายเลขธรรมชาติของกลุ่มภายในวันที่ . หนึ่งยังสามารถเพิ่มโอกาสของการขยายภาพในหมายเลขที่ถูกต้องของกลุ่ม โดยจะปรับข้อมูลการใช้คุณลักษณะน้ำหนักที่กลุ่มเฉพาะ