Eylemsizlik
Inertia: Sum of Squared Distances to Cluster Centroids · Ayrıca şöyle bilinir: WCSS, within-cluster sum of squares, cluster cohesion
Eylemsizlik, Küme İçi Kareler Toplamı (WCSS) olarak da bilinir, küme merkezleri etrafında noktaların ne kadar sıkı gruplandığını ölçen bir küme uyum ölçüsüdür. Düşük değerler daha kompakt, uyumlu kümeleri gösterir. Eylemsizlik, k-means kümelemesi için birincil amaç fonksiyonudur ve yöntemin tanıtılmasından bu yana temel bir metrik olmuştur.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Belirli bir kümelemenin içsel uyumunu değerlendirmek için Eylemsizliği kullanın. Özellikle k-means kümelemesi bağlamında kullanışlıdır, burada optimize edilen amaç fonksiyonudur. Eylemsizliği, silüet skoru veya harici doğrulama metrikleri gibi diğer metriklerle birleştirilmiş çoklu metrik bir değerlendirme stratejisinin parçası olarak kullanın. Küme sayısını seçmek için eylemsizliği tek başına kullanmayın; Elbow Method veya diğer küme seçme teknikleriyle eşleştirin.
Güçlü yönler & sınırlılıklar
- Basit ve sezgisel; hesaplanması ve anlaşılması kolay
- Küme uyumunun ve sıkılığının doğrudan ölçüsü
- Hesaplama açısından verimli; kümeleme sırasında artımlı olarak hesaplanabilir
- K-means ve ilgili algoritmalar tarafından doğrudan optimize edilir
- Artan küme sayısıyla monotonik olarak azalır, bu da onu tek başına küme sayısı seçimi için uygunsuz hale getirir
- Küremsel, benzer boyutlu kümelere eğilimlidir
- Küme ayrımını veya kümeler arası mesafeyi ölçmez
- Aykırı değerlere duyarlıdır, bu da mesafeleri şişirir ve eylemsizliği artırır
SSS
Neden daha fazla küme ekledikçe eylemsizlik azalır?
Eylemsizlik, noktalardan en yakın merkezlerine olan mesafeleri ölçer. Küme ekledikçe, her küme daha küçük ve daha sıkı hale gelir, mesafeler azalır. k=n küme ile, her nokta kendi kümesi olabileceğinden eylemsizlik sıfıra yaklaşır. Bu nedenle eylemsizlik, k'yi seçmek için tek başına duramaz.
Eylemsizlik değerlerini karşılaştırma için normalleştirmeli miyim?
Farklı ölçeklere veya boyutlara sahip veri kümeleri arasındaki eylemsizlik değerlerini karşılaştırıyorsanız, verinin toplam varyansına göre normalleştirmeyi düşünün. Bu, eylemsizlik değerlerini daha karşılaştırılabilir hale getirir. Ancak, normalleştirme formülleri değişir; tutarlılık için literatüre veya yazılım belgelerine bakın.
Eylemsizlik Elbow Method ile nasıl ilişkilidir?
Elbow Method, eylemsizliği küme sayısı ile çizelgeler. Eğrinin 'dirseği', eylemsizliğin artık keskin bir şekilde az almadığı bir noktayı temsil eder, bu da küme karmaşıklığı ve uyumu arasında iyi bir denge olduğunu düşündürür. Eylemsizlik metriktir; Elbow Method yorumlama tekniğidir.
Eylemsizliği Öklid olmayan mesafelerle kullanabilir miyim?
Standart eylemsizlik, karesel Öklid mesafesini kullanır. Diğer mesafe metrikleri için metriği uyarlamanız gerekir, ancak bu yaygın değildir. Eylemsizliği kullanan çoğu kümeleme algoritması örtük olarak Öklid mesafesini varsayar, bu nedenle alternatifler doğrudan uyumlu olmayabilir.
Kaynaklar
- Lloyd, S. P. (1982). Least squares quantization in PCM. IEEE Transactions on Information Theory, 28(2), 129-137. DOI: 10.1109/TIT.1982.1056489 ↗
- MacQueen, J. (1967). Some methods for classification and analysis of multivariate observations. In Proceedings of the Fifth Berkeley Symposium on Mathematical Statistics and Probability (Vol. 1, pp. 281-297). link ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Inertia: Sum of Squared Distances to Cluster Centroids. ScholarGate. https://scholargate.app/tr/model-evaluation/inertia
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Calinski-Harabasz İndeksiModel değerlendirme↔ karşılaştır
- Davies-Bouldin İndeksiModel değerlendirme↔ karşılaştır
- Dunn İndeksiModel değerlendirme↔ karşılaştır
- Dirsek YöntemiModel değerlendirme↔ karşılaştır
- Siluet KatsayısıModel değerlendirme↔ karşılaştır