信息论外部聚类有效性度量

Dec, 2012

An Information-Theoretic External Cluster-Validity Measure

Byron E Dom

TL;DR本研究提出了一种针对聚类算法进行 “外部” 评估的性能度量，该度量具有 “允许比较不同数量群集的量化和原则” 的特性，并且可以量化地衡量群集标签对于类标签作为预测变量的有用性。

Abstract

In this paper we propose a measure of clustering quality or accuracy that is appropriate in situations where it is desirable to evaluate a clustering algorithm by somehow comparing the clusters it produces with ``ground truth' consisting of classes assigned to the patterns by manual me

clustering quality evaluation scheme external measures mutual information conditional probabilities

发现论文，激发创造

评估内部聚类验证指标的新方法

无监督分类的最优算法选择和聚类验证是一个广泛研究的问题，该论文回顾了现有的内部验证指标方法，并提出了一种新的方法。

Aug, 2023

信息熵聚类探秘

该研究提出一种基于信息论原理且无需参数假设的数据聚类新方法，将信息论用于无偏见的数据分类可能会从根本上导致聚类性能恶化，而作者们则基于信息论的基本概念，提出了一种新的聚类度量方法，通过对有限数据的粗粒化一致性来定义含义。

Oct, 2013

一种基于分布的软聚类比较和评估方法

本论文提出了一种创新性的解决方案，通过以软聚类 (Soft Clustering) 作为硬聚类 (Hard Clustering) 分布的形式来扩展比较度量，以适应 SC 算法结果中的不确定性。经过深入研究和实验证明此方法的可行性。

Jun, 2022

深度聚类评估：如何验证内部聚类验证指标

利用深度神经网络对复杂、高维数据进行分区的深度聚类方法存在独特的评估挑战，传统的聚类验证度量方法因适用于低维空间而在深度聚类中存在问题，本文针对在深度学习中评估聚类质量的问题进行了研究，提出了一个理论框架来突出使用内部验证度量方法在原始数据和嵌入数据上的无效性，并在深度聚类上提出了一种系统性的聚类有效性指标的应用方法，实验证明这个框架与外部验证度量方法更加吻合，有效地减少了在深度学习中不正确使用聚类有效性指标所引发的误导。

Mar, 2024

基于信息的聚类

该研究采用信息理论的视角来重新构造聚类问题，避免了许多现有聚类方法所依赖的非常规结构的假设，且捕捉了非线性关系。基于集体相似度而非传统的成对度量，该方法在不同领域内都表现出比现有算法更高的聚类一致性。

Nov, 2005

使用归一化互信息评估重叠社区发现算法

本文研究了算法精度的量化计量问题，基于正则化互信息熵提出了一种标准化测量方法，并与 Omega 指数等其他方法进行比较，以解决社交网络分析领域中重叠聚类的精度计量问题。

Oct, 2011

调整机会聚类比较度量

本文介绍基于 Tsallis 熵的广义信息熵测量值计算方法，并将其应用于聚类比较中，从而提供了 AR1 和 AMI 的最佳应用场景和使用指南。

Dec, 2015

改进的互信息度量用于分类和社区检测

本文介绍了互信息这一信息论中的重要量，在分类学和社区检测分析中被广泛应用，但在实际应用中常常会由于丢失关键的部分而产生误差。针对这一问题，本文提出了一种修正的互信息量，并讨论了该量化指标的实际实现方法和实例应用。

Jul, 2019

一个信息论的视角：聚类数量

研究聚类问题中的最优聚类数量问题，提出了一种基于信息理论框架的方法，其利用熵和温度之间的关系来找到数据集的最佳聚类数量，以及通过校正聚类标准来解决采样误差问题，找到最大的有意义结构和聚类的解决方案。

Mar, 2003

使用互信息的分层聚类

本文提出了一种名为 MIC 算法的层次聚类数据的方法，采用相互信息作为相似度度量，并利用其聚组特性。将此方法应用于从线粒体 DNA 序列构建系统发育树以及独立成分分析（ICA）的输出。

Nov, 2003