How can we evaluate our performance

How can we evaluate our performance? Precision and all that stuff does not work,
since we have no target classes to compare with. To evaluate, we need to know the
"real" clusters, whatever that means. We can suppose, for our example, that each
cluster includes every drawing of a certain number, and only that number. Knowing
this, we can compute the adjusted Rand index between our cluster assignment and
the expected one. The Rand index is a similar measure for accuracy, but it takes into
account the fact that classes can have different names in both assignments. That is, if
we change class names, the index does not change. The adjusted index tries to deduct
from the result coincidences that have occurred by chance. When you have the exact
same clusters in both sets, the Rand index equals one, while it equals zero when
there are no clusters sharing a data point.

ผลลัพธ์ (ไทย) 1:

เราสามารถประเมินผลการดำเนินงานอย่างไร แม่นยำและที่สิ่งที่ทำงาน,
เนื่องจากเรามีชั้นเรียนการเปรียบเทียบกับเป้าหมายไม่ การประเมิน เราต้องรู้
"จริง" คลัสเตอร์ สิ่งที่หมายถึงการ เราสามารถคิดว่า อย่าง แต่
คลัสเตอร์รวมทุกรูปวาดของตัวเลข เท่านั้น รู้
นี้ เราสามารถคำนวณดัชนี Rand ปรับปรุงระหว่างการกำหนดค่าคลัสเตอร์ของเรา และ
หนึ่งคาดไว้ได้ ดัชนี Rand เป็นการวัดความถูกต้องคล้ายกัน แต่มันจะเข้า
บัญชีจริงว่า เรียนสามารถมีชื่อแตกต่างกันในการกำหนดทั้งนั้น นั่นคือ ถ้า
เราเปลี่ยนชื่อคลาส ดัชนีการเปลี่ยนแปลงไม่ ดัชนีปรับปรุงพยายามหัก
จาก coincidences ผลลัพธ์ที่เกิดขึ้นโดยบังเอิญ เมื่อคุณต้องการแน่นอน
คลัสเตอร์เดียวกันในทั้งสองชุด ดัชนี Rand เท่ากับหนึ่ง ขณะนั้นเท่ากับศูนย์เมื่อ
มีคลัสเตอร์ไม่มีจุดข้อมูลที่ใช้ร่วมกัน

ผลลัพธ์ (ไทย) 2:

วิธีที่เราสามารถประเมินผลการทำงานของเราหรือไม่ ความแม่นยำและทุกสิ่งที่ไม่ทำงาน
เนื่องจากเรามีเป้าหมายที่ไม่มีเรียนเปรียบเทียบกับ เพื่อประเมินเราต้องรู้ว่า
กลุ่ม "ของจริง" สิ่งที่หมายถึง เราสามารถคิดว่าสำหรับตัวอย่างของเราว่าแต่ละ
กลุ่มรวมถึงการวาดภาพทุกจำนวนหนึ่งและเฉพาะตัวเลขที่ รู้
นี้เราสามารถคำนวณดัชนีแรนด์ปรับได้ระหว่างกลุ่มที่ได้รับมอบหมายของเราและ
ใครคาดคิด ดัชนีแรนด์เป็นมาตรการที่คล้ายกันเพื่อความถูกต้อง แต่ก็คำนึง
ถึงข้อเท็จจริงที่ว่าเรียนสามารถมีชื่อที่แตกต่างกันในการกำหนดทั้ง นั่นคือถ้า
เราเปลี่ยนชื่อชั้นดัชนีไม่เปลี่ยนแปลง ดัชนีปรับพยายามที่จะหัก
จากความบังเอิญผลที่เกิดขึ้นโดยบังเอิญ เมื่อคุณมีแน่นอน
กลุ่มเดียวกันในทั้งสองชุดที่ดัชนีแรนด์เท่ากับหนึ่งในขณะที่มันเท่ากับศูนย์เมื่อ
มีกลุ่มที่ใช้งานร่วมกันจุดข้อมูลใด ๆ

ผลลัพธ์ (ไทย) 3:

วิธีที่เราสามารถประเมินความสามารถของเรา ความแม่นยำและสิ่งที่ไม่ทำงาน ,
เพราะเราไม่มีเรียนเป้าหมาย เพื่อเปรียบเทียบกับ เพื่อประเมิน เราต้องรู้
" ของจริง " กลุ่ม สิ่งที่หมายถึง เราสามารถสมมติว่าตัวอย่างเช่นของเรา ที่แต่ละกลุ่มรวมถึงทุก
รูปวาดของจํานวนหนึ่งและเท่านั้นที่เบอร์ รู้
นี้เราสามารถคำนวณการปรับดัชนีระหว่างงานกลุ่มของเราและเราคาดว่า
1 แรนด์เป็นดัชนีวัดที่คล้ายกันเพื่อความถูกต้อง แต่ใช้เวลาใน
บัญชีที่ว่าเรียนสามารถมีชื่อเรียกต่าง ๆ ทั้งในงานที่มอบหมาย นั่นคือ ถ้าเราเปลี่ยนคลาส
ชื่อดัชนีไม่เปลี่ยนแปลง การปรับดัชนีพยายามหัก
ผลจากความบังเอิญที่เกิดขึ้นโดยบังเอิญเมื่อคุณมีแน่นอน
เดียวกันกลุ่มทั้งชุด แรนด์ ดัชนีมีค่าเท่ากับหนึ่งในขณะที่มันเท่ากับศูนย์เมื่อ
ไม่มีคลัสเตอร์ร่วมกันจุดข้อมูล