Davies-Bouldin İndeksi
Davies-Bouldin Index for Cluster Separation · Ayrıca şöyle bilinir: DBI, Davies Bouldin index
Davies ve Bouldin tarafından 1979'da tanıtılan Davies-Bouldin İndeksi (DBI), her küme ile en benzer komşu kümesi arasındaki ortalama benzerliğe dayanan bir kümeleme kalitesi değerlendirme metriğidir. Daha düşük değerler daha iyi kümelemeyi gösterir; 0 minimum değeri, mükemmel şekilde ayrılmış, örtüşmeyen kümeleri temsil eder.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Hem sıkılığı hem de ayrışmayı vurgulayan, kolay yorumlanabilir bir küme kalitesi metriğine ihtiyaç duyduğunuzda Davies-Bouldin İndeksini kullanın. Harici etiket gerektirmez ve herhangi bir mesafe metriği ve kümeleme algoritmasıyla çalışır. Ancak, dışbükey kümeleri varsayar ve küme sayısına duyarlıdır; daha fazla kümeye sahip çözümleri tercih etme eğilimindedir.
Güçlü yönler & sınırlılıklar
- Anlaması kolay: daha düşük değerler her zaman daha iyi kümelemeyi gösterir
- Herhangi bir mesafe metriği ve kümeleme algoritmasıyla çalışır
- Harici etiket gerekmez; tamamen denetimsiz değerlendirme
- Bazı diğer metriklere kıyasla hesaplama açısından verimli
- Hem küresel hem de küme düzeyinde içgörüler sağlar
- Dışbükey, küresel kümelere eğilimlidir
- Küme sayısı arttıkça artma eğilimindedir, bu da modifikasyon olmadan k seçimi için uygun değildir
- Benzer küme boyutlarını varsayar; çok farklı yoğunluklara veya boyutlara sahip kümelerde başarısız olur
- Yüksek boyutlu veriler için daha az yorumlanabilir
SSS
İyi bir Davies-Bouldin İndeksi değeri nedir?
Daha düşük daha iyidir; 1.0'dan az bir indeks değeri genellikle iyi ayrılmış kümeleri gösterir, 1.0 ile 1.5 arasındaki değerler makul kümelemeyi önerir ve 1.5'in üzerindeki değerler zayıf küme ayrışmasını gösterir. Ancak, yorumlama verilerinize ve alanınıza bağlıdır.
Davies-Bouldin İndeksi neden daha fazla küme ile artar?
İndeks, her küme için ortalama maksimum benzerlik oranını ölçer. Küme ekledikçe, noktalar daha fazla yayılır ve kümeler küçülür, bu da tanım gereği küme içi mesafelerin ve indeks değerlerinin düşmesine neden olur. Küme sayısı seçimi için DBI kullanılırken bu eğilim düzeltilmelidir.
Davies-Bouldin İndeksi aykırı değerlere ne kadar duyarlıdır?
İndeks, merkez tabanlı mesafe hesaplamaları kullandığı için aykırı değerlere duyarlı olabilir. Aykırı değerler merkezleri kaydırır ve küme içi ortalamaları şişirir, bu da metriği potansiyel olarak bozabilir. İndeksi uygulamadan önce aykırı değerleri işlemek için verileri ön işleyin.
Farklı kümeleme algoritmalarını karşılaştırmak için Davies-Bouldin İndeksini kullanabilir miyim?
Evet; daha düşük bir DBI daha iyi performansı gösterir. Ancak, adil karşılaştırma için algoritmalar arasında aynı mesafe metriğini ve veri ön işlemesini kullandığınızdan emin olun.
Kaynaklar
- Davies, D. L., & Bouldin, D. W. (1979). A cluster separation measure. IEEE Transactions on Pattern Analysis and Machine Intelligence, 1(2), 224-227. DOI: 10.1109/TPAMI.1979.4766909 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Davies-Bouldin Index for Cluster Separation. ScholarGate. https://scholargate.app/tr/model-evaluation/davies-bouldin-index
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Ayarlanmış Rand İndeksiModel değerlendirme↔ karşılaştır
- Calinski-Harabasz İndeksiModel değerlendirme↔ karşılaştır
- Dunn İndeksiModel değerlendirme↔ karşılaştır
- Gap İstatistiğiModel değerlendirme↔ karşılaştır
- Siluet KatsayısıModel değerlendirme↔ karşılaştır