Auto-CVI-Tool

簇有效性指数自动工具箱(CVI)

聚类分析包括通过自动聚类确定最优数量和自然划分聚类。聚类有效性指数(CVI)是估计聚类数量的一种简单技术。关于集群内的内聚性和集群间的分离，文献中已经提出了几种集群解决方案。尽管如此，确定这些cvi工作良好的情况及其局限性是至关重要的。为了估计集群的数量，这个工具箱提供了28个健壮的cvi。它非常友好，不需要任何编码知识。无需编写一行代码，就可以比较28个cvi，并以可比较的方式将结果可视化。当加载数据时，用户将自动选择所有参数，或者使用默认设置，并且无需任何额外编程就可以比较cvi。重要的是要注意其中的一部分纸在这个工具箱的开发中使用，如果您使用这个工具箱的任何部分，我将感激引用参考文章和我自己。

聚类有效性指数(CVI)通过定义聚类内聚性(组内散点)和聚类间分离(组间散点)之间的关系来估计聚类解决方案的质量。表1总结了在这个工具箱中检查的22例cvi。每个CVI由表中的首字母缩略词标识，后面跟着一个向上箭头↑或者下箭头↓来分别指示索引是最大化还是最小化。

表1

如何使用?

有两个脚本被命名KMeans_Evaluation.m而且Hierarchichal_Evaluation.m；他们评估聚类基于KMeans而且Hierarchichal集群resepctively。

• KMeans_Evaluation.m参数设置
  • 数据:数据
    • 加载数据
  • DistanceKMeans:距离类型k - means聚类(表二)

    • DistanceKMeans = DistKMeans;

  • Kmax:最大集群数

    • Kmax = 6;%群集的最大数目= 0 (size(data,1)，Kmax);for k=1:Kmax clust(:，k) = kmeans(数据，k，'距离'，DistanceKMeans);结束

  • CVI:选择表单(表1)

    • %% Select CVI = Select_CVI_KMeans;%聚类方案评价eva = evalcvi(clust,CVI, data);

表二

您可以通过执行以下代码同时比较多个cvi:

CVIs = Select_Multiple_CVI_KMeans;Multiple_Result = Do_Multiple(CVIs，集群，数据);

此外，还可以自动可视化结果。

• Hierarchichal_Evaluation.m参数设置
  • 数据:数据
    • 加载数据
  • HierarchichalMethod:方法分层聚类树(Table3)

    • Z = linkage(data, HierarchichalMethod);

  • Kmax:最大集群数

    • Kmax = 6;% k=1的最大群集数:Kmax clust(:，k) = Cluster (Z， 'maxclust'， k);结束

  • DistanceType:两组观测值之间的成对距离类型(Table4)

    • DistanceType = Distance_PDIST2;DXX = pdist2(data,data,DistanceType);

  • CVI:选择表单(表1)

    • CVI = select cvi_hierarchical;eva = evalcvi(clust,CVI, DXX);

如果您希望比较多个cvi，请运行以下代码

CVIs = select_multiple_cvi_hierarchical;Multiple_Result = Do_Multiple(CVIs，集群，DXX);

Table3

Table4

可视化

具有一定

(1) A. José-García和W. Gómez-Flores。基于差分进化的自动数据聚类有效性指标研究。遗传与进化计算会议* (GECCO '21)，里尔，法国，2021。(2) Farhad Abedinzadeh(2022)。Auto-CVI-Tool (https://github.com/farhadabedinzadeh/Auto-CVI-Tool/releases/tag/v1.0.0)， GitHub。检索于2022年10月6日。

进一步的问题