EvaluationThe way Weka evaluates th

Evaluation

The way Weka evaluates the clusterings depends on the cluster mode you select. Four different cluster modes are available (as buttons in the Cluster mode panel):
Use training set (default). After generating the clustering Weka classifies the training instances into clusters according to the cluster representation and computes the percentage of instances falling in each cluster. For example, the above clustering produced by k-means shows 43% (6 instances) in cluster 0 and 57% (8 instances) in cluster 1.
In Supplied test set or Percentage split Weka can evaluate clusterings on separate test data if the cluster representation is probabilistic (e.g. for EM).
Classes to clusters evaluation. In this mode Weka first ignores the class attribute and generates the clustering. Then during the test phase it assigns classes to the clusters, based on the majority value of the class attribute within each cluster. Then it computes the classification error, based on this assignment and also shows the corresponding confusion matrix. An example of this for k-means is shown below.

ผลลัพธ์ (ไทย) 1:

ประเมิน

วิธี Weka ประเมิน clusterings ขึ้นอยู่กับโหมดการคลัสเตอร์ที่คุณเลือก คลัสเตอร์ที่แตกต่างกัน 4 วิธีมี (เป็นปุ่มในแผงคลัสเตอร์โหมด):
ใช้ชุดฝึกอบรม (เริ่มต้น) หลังจากสร้าง Weka ระบบคลัสเตอร์ประมวลอินสแตนซ์ฝึกเป็นคลัสเตอร์ตามตัวแทนคลัสเตอร์ และคำนวณเปอร์เซ็นต์ของอินสแตนซ์ที่ตกในแต่ละคลัสเตอร์ เช่น คลัสเตอร์ดังกล่าวผลิต โดย k หมายถึงแสดง 43% (6 อย่าง) ในคลัสเตอร์ 0 ถึง 57% (8 กรณี) ในคลัสเตอร์ 1.
ทดสอบในจัดตั้ง หรือเปอร์เซ็นต์แบ่ง Weka สามารถประเมิน clusterings แยกทดสอบข้อมูลว่าตัวแทนคลัสเตอร์ probabilistic (สำหรับ EM) .
เรียนการประเมินคลัสเตอร์ ในโหมดนี้ Weka แรกละเว้นแอตทริบิวต์คลา กสร้างในคลัสเตอร์ แล้ว ระหว่างขั้นตอนการทดสอบ กำหนดสอนให้คลัสเตอร์ ค่าส่วนใหญ่ของแอตทริบิวต์คลาภายในแต่ละคลัสเตอร์ จากนั้นจะคำนวณผิดพลาด การจัดประเภทตามกำหนดนี้ และยัง แสดงเมตริกซ์สับสนที่สอดคล้องกัน ตัวอย่างนี้สำหรับ k-จะแสดงด้านล่าง

ผลลัพธ์ (ไทย) 2:

การประเมินผลทาง Weka ประเมิน clusterings ขึ้นอยู่กับโหมดของคลัสเตอร์ที่คุณเลือก สี่โหมดกลุ่มที่แตกต่างกัน (เป็นปุ่มในแผงโหมด Cluster): ชุดการฝึกอบรมการใช้งาน (ค่าเริ่มต้น) หลังจากที่การสร้างการจัดกลุ่มจำแนก Weka กรณีการฝึกอบรมเป็นกลุ่มตามที่ตัวแทนกลุ่มและคำนวณร้อยละของตัวอย่างที่ลดลงในแต่ละกลุ่ม ตัวอย่างเช่นการจัดกลุ่มดังกล่าวข้างต้นที่ผลิตโดย K-หมายถึงแสดงให้เห็นถึง 43% (6 กรณี) ในกลุ่ม 0 และ 57% (8 กรณี) ในกลุ่มที่ 1 ในชุดทดสอบเครื่องหรือร้อยละแยก Weka สามารถประเมิน clusterings ในการทดสอบข้อมูลที่แยกต่างหากถ้าคลัสเตอร์ การแสดงเป็นความน่าจะเป็น (เช่นสำหรับ EM) การประเมินผลการเรียนกลุ่ม ในโหมดนี้ Weka แรกละเว้นแอตทริบิวต์ชั้นเรียนและสร้างกลุ่ม จากนั้นในระหว่างขั้นตอนการทดสอบจะกำหนดชั้นเรียนกับกลุ่มขึ้นอยู่กับค่าส่วนใหญ่ของแอตทริบิวต์ชั้นภายในแต่ละกลุ่ม จากนั้นก็จะคำนวณผิดพลาดการจัดหมวดหมู่ตามที่ได้รับมอบหมายนี้และยังแสดงให้เห็นถึงความสับสนเมทริกซ์ที่สอดคล้อง เช่นนี้สำหรับ K-หมายถึงแสดงอยู่ด้านล่าง

ผลลัพธ์ (ไทย) 3:

การประเมิน

วิธี Weka ประเมินกลุ่ม clusterings ขึ้นอยู่กับโหมดที่คุณเลือก สี่โหมดกลุ่มที่แตกต่างกัน ( เช่นปุ่มในกลุ่มโหมด Panel ) :
ชุดฝึกใช้ ( ค่าเริ่มต้น ) หลังจากที่สร้างกลุ่ม Weka จัดฝึกอบรมกรณีออกเป็นกลุ่มตามกลุ่มการเป็นตัวแทนและคำนวณร้อยละของอินสแตนซ์ลดลงในแต่ละกลุ่มตัวอย่างข้างต้นสามารถผลิตโดย k-means แสดง 43 % ( 6 ตัวอย่าง ) ในกลุ่ม 0 และ 57% ( 8 กรณี ) ในกลุ่ม 1 .
ในจัดชุดทดสอบ หรือร้อยละแยก Weka สามารถประเมิน clusterings ข้อมูลทดสอบแยก ถ้ากลุ่มแสดงความน่าจะเป็น ( เช่นเอ็ม ) .
เรียนเพื่อประเมินกลุ่ม ในโหมดนี้ Weka แรกละเว้นชั้นคุณลักษณะและสร้างกลุ่ม .จากนั้นในช่วงทดสอบระยะมันกำหนดคลาสที่ กลุ่ม ขึ้นอยู่กับค่าของแอตทริบิวต์ส่วนใหญ่เรียนภายในแต่ละกลุ่ม จากนั้นก็คำนวณประเภทข้อผิดพลาดบนพื้นฐานของงานนี้ และยังแสดงเมทริกซ์ความสับสนที่สอดคล้องกัน ตัวอย่างนี้สำหรับ k-means แสดงอยู่ด้านล่าง .