Advertisement

Cluster-Validity — Gütemaße für Fuzzy-Clustereinteilungen

  • Frank Höppner
  • Frank Klawonn
  • Rudolf Kruse
Part of the Computational Intelligence book series (CI)

Zusammenfassung

Viele Clustering-Verfahren wurden gerade deshalb entwickelt, um in höherdimensionalen Räumen Strukturen in Daten zu erkennen. Sobald die Daten sich nämlich nicht mehr zwei- oder dreidimensional graphisch darstellen lassen, fällt es dem Betrachter sehr schwer, ohne visuelle Unterstützung eine Einteilung der Daten vorzunehmen. Sobald es keine letzte Instanz mehr gibt, die die Entscheidung über richtig oder falsch fällen kann, stellen sich zahlreiche Probleme und Fragen:
  • Wenn man alle existierenden Clustering-Algorithmen auf eine Datenmenge anwendet, so wird man eine Vielzahl unterschiedlicher Einteilungen bekommen. Welche Zuordnung ist richtig? (Beispiel 6)

  • Wenn die Anzahl der Cluster nicht a priori bekannt ist, so läßt sich nur für jede mögliche Clusterzahl eine Einteilung ermitteln. Welche Einteilung (oder Clusterzahl) ist richtig? (Beispiel 7)

  • Die meisten Algorithmen nehmen eine Einteilung aufgrund eines vorausgesetzten Modells vor; jedoch ohne Rücksicht darauf, ob diese Struktur in den Daten tatsächlich vorhanden ist. Rechtfertigt das Ergebnis eines bestimmten Verfahrens seine Anwendung? Lag die vorausgesetzte Struktur wirklich vor? (Beispiel 8)

Preview

Unable to display preview. Download preview PDF.

Unable to display preview. Download preview PDF.

Copyright information

© Friedr. Vieweg & Sohn Verlagsgesellschaft mbH, Braunschweig/Wiesbaden 1997

Authors and Affiliations

  • Frank Höppner
  • Frank Klawonn
  • Rudolf Kruse

There are no affiliations available

Personalised recommendations