The performance evaluation of clust

The performance evaluation of clustering results is commonly
carried out using Normalized Mutual Information [28],
Rand Index [29] or Dunn Index [30].
The Normalized Mutual Information (NMI) quantifies the
extent of predicted cluster labels (PCL) with respect to the desired
cluster labels (DCL) (i.e. ground truth). NMI is computed
as the mutual information between PCL and DCL, normalized
by the sum of the respective entropies.
The Rand Index (RI) measures how accurately a cluster is
generated by computing the percentage of correctly labeled
features. The accuracy score is given by the sum of true
positive and true negative PCLs (normalized by the sum of
all true and false PCLs) averaged over the whole PCL set.
True positives are the number of correct PCLs with respect
to a ground truth, whereas true negatives are the number of
features correctly classified as outliers. The value of NMI and
RI scores lies in the interval [0; 1]. The larger the NMI or RI
score, the better the clustering. However, it is not possible to
use ground-truth based evaluation measures such as NMI or
RI to quantify the clustering performance on-line

ผลลัพธ์ (ไทย) 1:

การประเมินประสิทธิภาพของระบบคลัสเตอร์ผลบ่อยดำเนินการโดยใช้ตามปกติข้อมูลที่ซึ่งกันและกัน [28],ดัชนีแรนด์ [29] หรือดัชนีดันน์ [30]การตามปกติร่วมกันข้อมูล (NMI) ประเมินการขอบเขตของป้ายชื่อคลัสเตอร์คาดการณ์ (มหาชน) ตามที่ต้องการป้ายชื่อคลัสเตอร์ (DCL) (เช่นพื้นดินจริง) คำนวณ NMIเป็นข้อมูลซึ่งกันและกันระหว่าง PCL และ DCL ตามปกติด้วยผลของ entropies เกี่ยวข้องดัชนีแรนด์ (RI) วัดความแม่นยำคลัสเตอร์คือสร้างขึ้น โดยการคำนวณเปอร์เซ็นต์ของที่ถูกต้องคุณสมบัติ คะแนนความถูกต้องถูกกำหนด โดยผลรวมของจริงจริง และบวกลบ PCLs (ตามปกติ โดยผลรวมของทั้ง true และ false PCLs) เฉลี่ยเหนือจำกัด(มหาชน)ทั้งชุดบวกจริงมีจำนวนของ PCLs ที่ถูกต้องด้วยความเคารพการพื้นดินจริง ในขณะที่ฟิล์มจริงเป็นจำนวนคุณสมบัติถูกต้องจัดเป็น outliers ค่าของ NMI และRI คะแนนอยู่ในช่วง [0; 1] NMI ใหญ่หรือ RIคะแนน ดีกว่าการคลัสเตอร์ อย่างไรก็ตาม มันไม่สามารถใช้พื้นดินความจริงคะแนนการประเมินผลมาตรการเช่น NMI หรือRI จะปริมาณระบบคลัสเตอร์ประสิทธิภาพการทำงานออนไลน์

ผลลัพธ์ (ไทย) 2:

การประเมินผลการปฏิบัติงานของผลการจัดกลุ่มมักจะ
ดำเนินการโดยใช้ปกติรวมข้อมูล [28],
แรนด์ดัชนี [29] หรือดัชนีดันน์ [30].
ให้เป็นมาตรฐานรวมข้อมูล (NMI) ประเมิน
ขอบเขตของป้ายคลัสเตอร์คาดการณ์ (มหาชน) ด้วยความเคารพ ที่ต้องการ
ป้ายคลัสเตอร์ (DCL) (คือความจริงพื้นดิน) NMI คำนวณ
เป็นข้อมูลร่วมกันระหว่าง PCL และ DCL, ปกติ
โดยผลรวมของ entropies ที่เกี่ยวข้อง.
แรนด์ดัชนี (RI) มาตรการวิธีการที่ถูกต้องคลัสเตอร์
ที่สร้างโดยการคำนวณร้อยละของการติดป้ายชื่ออย่างถูกต้อง
คุณสมบัติ คะแนนความถูกต้องจะได้รับจากผลรวมของจริง
PCLs บวกลบและเป็นความจริง (ปกติโดยผลรวมของ
ทุก PCLs จริงและเท็จ) เฉลี่ยเกินชุดบมจทั้งหมด.
บวกจริงจำนวน PCLs ที่ถูกต้องด้วยความเคารพ
กับความจริงพื้นดินในขณะที่ เชิงลบที่แท้จริงคือจำนวนของ
คุณสมบัติที่จัดได้อย่างถูกต้องเป็นค่าผิดปกติ ค่าของ NMI และ
RI คะแนนอยู่ในช่วง [0; 1] มีขนาดใหญ่หรือ NMI RI
คะแนนที่ดีกว่าการจัดกลุ่ม แต่ก็เป็นไปไม่ได้ที่จะ
ใช้มาตรการตามการประเมินผลพื้นดินความจริงเช่น NMI หรือ
RI ปริมาณประสิทธิภาพการจัดกลุ่มในบรรทัด

ผลลัพธ์ (ไทย) 3:

การประเมินผลการปฏิบัติงานของการจัดกลุ่มผลโดยทั่วไปโดยใช้มาตรฐานร่วมกันข้อมูล [ 28 ]แรนด์ดัชนี [ 29 ] หรือ ดันดัชนี [ 30 ]มาตรฐาน ( NMI ) quantifies ข้อมูลซึ่งกันและกันขอบเขตของการพยากรณ์ป้ายกลุ่มจำกัด ( มหาชน ) ส่วนที่ต้องการป้ายกลุ่ม ( 3 . ) ( คือความจริงพื้นดิน ) NMI จะคำนวณเป็นข้อมูลซึ่งกันและกันระหว่างกุล และ 3 . วอลเลย์บอลโดยผลรวมของ entropies นั้นๆแรนด์ ( RI ) วัดดัชนีคลัสเตอร์เป็นอย่างไรถูกต้องที่สร้างขึ้นโดยการคำนวณค่าอย่างถูกต้อง ติดป้ายคุณสมบัติ ความถูกต้องของคะแนนที่ได้รับจากผลรวมของทรูบวกและลบ ( รูปจริง pcls โดยผลรวมของทั้งจริงและเท็จ pcls ) เฉลี่ยมากกว่าชุด จำกัด ทั้งหมดจริงบวกเป็นจำนวน pcls ถูกต้อง ด้วยความเคารพกับพื้นความจริง ในขณะที่จริงเชิงลบเป็นจำนวนคุณสมบัติถูกต้อง แยกเป็นค่าผิดปกติ . ค่าของ NMI และคะแนนริอยู่ในช่วง [ 0 , 1 ] ขนาดใหญ่ NMI หรือรีคะแนน ดีกว่ากลุ่ม . อย่างไรก็ตาม มันเป็นไปไม่ได้ใช้จริงตามพื้นดินประเมินผลมาตรการเช่น NMI หรือริที่มีการจัดกลุ่มสมรรถนะทางออนไลน์