Cosa significa totale ss e tra ss nel clustering k-significa?

Sono molto nuovo nell'analisi dei cluster. Sto usando R per il clustering k-mean e mi chiedo quali siano queste cose. E cosa c'è di meglio se il loro rapporto è più piccolo o più grande?

Fondamentalmente è una misura della bontà della classificazione trovata da k-medie. SS ovviamente sta per Sum of Squares, quindi è la solita decomposizione di devianza in devianza "Between" e devianza "Within". Idealmente, si desidera un clustering con le proprietà di coesione interna e separazione esterna, ovvero il rapporto BSS / TSS dovrebbe avvicinarsi a 1.

Ad esempio, in R:

data(iris)
km <- kmeans(iris[,1:4], 3)

fornisce un rapporto BSS / TSS dell'88,4% (0,884) che indica un buon adattamento. Dovresti stare attento, ed è generalmente una buona idea tracciare il WSS sul numero di cluster, poiché questo numero deve essere specificato in anticipo.