M2-056M2: 经典机器学习聚类Hard
⚡闪卡盲测➔掌握度:

如何评估聚类质量(无标签)?内部与外部指标各有哪些。

🎯 深度面试自测闭环(先口述或草拟,再核对解析)
免登录记录进度:核心结论回忆 → 避坑清单自查 → 标记掌握或加入错题队列。
Step 1 · 尝试用 1–2 句话回答这道题的核心结论与适用边界
Step 2 · 勾选已覆盖的陷阱与追问思考
下一题: M2-057 →
📐 核心数学机理公式
ARI=RI−E[RI]max⁡(RI)−E[RI]\text{ARI}=\frac{\text{RI}-\mathbb E[\text{RI}]}{\max(\text{RI})-\mathbb E[\text{RI}]}
⚡ 一句话直击要害答案
内部:轮廓系数、DB 指数、CH 指数;外部(有标签):ARI、NMI、纯度。

📌 核心要点提炼

  • •
    ARI 对簇数不敏感、可比较随机划分
  • •
    内部指标偏向凸簇

📐 数学机理与严密推导

外部指标(有真实标签,用于验证算法或调参):① 纯度(Purity)——每个簇取最多的真实类别,求和除以 n;缺点是随簇数单调上升(簇数=n 时纯度为 1),故不能单独使用。② NMI(归一化互信息)——聚类与真实划分的互信息除以熵的归一化,取值 [0,1],对簇数不敏感。③ ARI(调整兰德指数)——衡量两划分的一致性,并对随机划分做了期望校正(随机划分的 ARI 期望为 0,相同划分为 1);这是最推荐的指标,因为它对簇数与簇大小不敏感。内部指标(无标签,仅看簇内紧密度与簇间分离度):① 轮廓系数——见前述,偏向凸簇;② Calinski-Harabasz(CH)指数——簇间离散度/簇内离散度的比值(类似 F 统计量),越大越好,计算快;③ Davies-Bouldin(DB)指数——簇内散度与簇间距离的比值,越小越好。

🏭 深度剖析与工业落地权衡

实践要点:① 内部指标的偏见——所有基于距离的内部指标都偏好凸形、等大小的簇,故对 DBSCAN/谱聚类的结果会给出误导性低分;此时应改用密度感知指标(DBCV)或人工检查。② ARI 的优势——它对簇数不敏感且校正了随机一致性,故在比较不同算法/参数时最可靠;但需真实标签。③ 稳定性评估——无标签时可用聚类稳定性(不同子采样/种子下结果的一致性,用 ARI 度量)作为质量代理;稳定的聚类更可信。④ 业务有用性——最终应评估聚类是否可执行(每簇是否有清晰的业务画像、可采取不同策略)与可解释(簇内特征是否一致);纯统计指标无法捕捉这些。⑤ 注意事项——不要用聚类指标反向调参以求'好看的分数'(这是聚类版的 p-hacking);应先用领域知识确定合理的簇数与结构,再用指标确认。
⚠️ 常见面试陷阱与高频失分点
  • ✕
    用纯度比较不同簇数的聚类(偏向簇数多)
  • ✕
    在非凸簇上用轮廓系数判断质量
🎯 面试官连环追问与延伸考察
  • ?
    ARI 为什么优于纯度?
  • ?
    如何评估'业务有用性'?
⚡
想检验本题的肌肉记忆?进入 3 阶闪卡主动回忆盲测
隐藏答案遮罩,自测:审题锚点 ➔ 数理公式机理 ➔ 工业标杆代码与连环追问。3 分钟攻破认知盲区!
🎯 立即在闪卡中盲测此题➔
📚

关联知识库专题与交互式导图

← 上一题M2-055: 推导/描述 EM 算法的两步,并说明为什么它单调提升似然。📋 返回题库下一题 →M2-057: 解释 PCA 的目标与实现步骤。