2

我有 5000 个观察值，它们聚集成 10 个集群。每个集群有 1000 个真实观察值。每个集群中的真实观察值是 1000。然而，在我运行了我的聚类算法之后，它看起来像这样：

Cluster #, true members, clustered members
0,                 1000,               435
1,                 1000,               234
2,                 1000,               167
3,                 1000,               654
4,                 1000,                 0

换句话说，集群 0 应该有 1000 个成员，但其中只有 435 个被我的算法正确添加到该集群中。5000 与集群中的差值被放置在错误的集群中。

我想计算基尼系数，并找到以下代码：

def gini_ind(Number, Total):
    return (1-(((Number/Total)**2)+(((Total-Number)/Total)**2)))

它似乎在我尝试过的测试中运行良好。但是，我发现没有一个数据集看起来像我的。

所以我的问题是如何计算基尼系数？

如果我执行以下操作，我将获得每个集群的这些基尼系数：

gini_ind(435,1000) -> 0.49155
gini_ind(234,1000) -> 0.3584
gini_ind(167,1000) -> 0.2782
gini_ind(654,1000) -> 0.4525
gini_ind(0,1000) -> 0

这是每个集群的正确基尼系数吗？

并得到平均基尼系数；这只是平均值： (0.49155+0.3584+0.2782+0.4525+0)/5 吗？

4

1 回答 1

2

假设我们有 3 个类和 80 个对象。19 个对象属于 1 类，21 个对象属于 2 类，40 个对象属于 3 类（表示为 (19,21,40) ）。

基尼指数为：1- [ (19/80)^2 + (21/80)^2 + (40/80)^2] = 0.6247 即 costbefore = Gini(19,21,40) = 0.6247

为了决定在哪里拆分，我们测试所有可能的拆分。例如在 2.0623 处拆分，这会导致拆分 (16,9,0) 和 (3,12,40)：

测试 x1 < 2.0623 后：

costL =Gini(16,9,0) = 0.4608
costR =Gini(3,12,40) = 0.4205

然后我们通过经验分支概率对分支杂质进行加权：

costx1<2.0623 = 25/80 costL + 55/80 costR = 0.4331

我们对每个可能的拆分都这样做，例如 x1 < 1：

costx1<1 = FractionL Gini(8,4,0) + FractionR Gini(11,17,40) = 12/80 * 0.4444 + 68/80 * 0.5653 = 0.5417

之后，我们选择了成本最低的拆分。这是拆分 x1 < 2.0623，成本为 0.4331。

您可以点击以下链接...... http://dni-institute.in/blogs/gini-index-work-out-example/ http://stats.stackexchange.com/questions/95839/gini-decrease-子节点的和基尼杂质

于 2019-03-25T10:38:33.423 回答