☆ Сохранить Calinski–Harabasz Index — метрика оценки качества кластеризации по соотношению межкластерной и внутрикластерной дисперсии

07/22/2026

Calinski–Harabasz Index — это метрика оценки качества кластеризации, основанная на соотношении межкластерной дисперсии (Between-cluster variance) и внутрикластерной дисперсии (Within-cluster variance). Интуитивно хорошая кластеризация означает, что разные группы находятся далеко друг от друга, а объекты внутри одной группы расположены близко. Данный показатель измеряет эти характеристики численно, поэтому большее значение индекса указывает на более качественную структуру кластеров.

Проще говоря: хороший результат кластеризации означает, что данные внутри одного кластера должны быть похожими между собой, а разные кластеры должны быть хорошо отделены друг от друга. Calinski–Harabasz Index объединяет эти два условия и показывает числом, «насколько чётко сформированы кластеры».

Чем больше межкластерная дисперсия и меньше внутрикластерная дисперсия, тем выше значение Calinski–Harabasz Index.

Метод (принцип работы и особенности)

Понятие кластерной дисперсии
- Внутрикластерная дисперсия показывает, насколько близко расположены объекты внутри одного кластера.
- Межкластерная дисперсия отражает расстояние между центрами различных кластеров.
- Для качественной кластерной структуры желательно иметь небольшую внутреннюю дисперсию и большую межкластерную дисперсию.
- Calinski–Harabasz Index оценивает качество кластеризации на основе соотношения этих двух показателей.
\[ CH = \frac{Tr(B_k)/(k-1)}{Tr(W_k)/(n-k)} \]

\[ W_k = \sum_{i=1}^{k}\sum_{x \in C_i}||x-\mu_i||^2 \]

Качество кластерной структуры вычисляется через отношение межкластерной и внутрикластерной дисперсии.
Смысл вычисления показателя
- Tr(Bk) обозначает межкластерную дисперсию (Between-cluster variance). Она показывает, насколько центры кластеров удалены от среднего значения всех данных.
- Чем дальше находятся центры различных кластеров друг от друга, тем больше становится значение Tr(Bk). Это означает, что группы данных лучше разделены.
- Tr(Wk) обозначает внутрикластерную дисперсию (Within-cluster variance) и показывает, насколько сильно объекты одного кластера разбросаны вокруг своего центра.
- Если объекты внутри кластера расположены компактно около центра, значение Tr(Wk) уменьшается, что указывает на более качественную кластеризацию.
Как интерпретировать показатель
- Большее значение Calinski–Harabasz Index обычно означает более качественную структуру кластеров.
- Высокий показатель появляется, когда кластеры хорошо разделены, а объекты внутри каждой группы расположены компактно.
- На практике индекс рассчитывают для разных значений K и выбирают вариант с максимальным результатом.
- Поэтому метрика часто используется при выборе оптимального количества кластеров.
Связь с другими метриками оценки кластеризации
- Silhouette Score оценивает качество кластеризации на уровне отдельных объектов.
- Davies–Bouldin Index использует соотношение между разделением кластеров и их внутренней компактностью.
- Calinski–Harabasz Index является статистической метрикой на основе дисперсии данных.
- В реальных задачах несколько показателей обычно используют совместно для более надёжной оценки кластерной структуры.

Значение и ограничения

Calinski–Harabasz Index является одной из наиболее распространённых метрик для оценки качества кластеризации, поскольку учитывает одновременно различия между кластерами и компактность данных внутри них. Благодаря относительно простой формуле этот показатель широко применяется при сравнении различных алгоритмов кластеризации. Особенно часто его используют при выборе количества кластеров, выбирая значение K с максимальным индексом. Однако при работе с кластерами нестандартной формы или с сильно различающейся плотностью данных результаты могут быть менее точными. Поэтому на практике Calinski–Harabasz Index обычно анализируют вместе с другими метриками, такими как Silhouette Score или Davies–Bouldin Index.

Что стоит прочитать сначала (3/5)

Что читать дальше (5/16)