Hasta ahora, ha visto métricas utilizadas para evaluar modelos de aprendizaje supervisado que realizan clasificación y regresión. Las métricas de evaluación utilizadas para el aprendizaje no supervisado, como las tareas de agrupamiento en clústeres, no tienen la ventaja de medir el rendimiento de un modelo en conjuntos de validación y pruebas, debido a la ausencia de una etiqueta. Los datos que se agrupan en clúster se utilizan para evaluar esa agrupación en clústeres, en lugar de algún conjunto de datos externo no visual. Por lo tanto, estas métricas de evaluación deben medir las características internas de un modelo, en particular el número de clústeres. Esto guía cómo se agrupan los puntos de datos existentes y tendrá un efecto en cómo se agrupan los nuevos datos cuando se introducen en el modelo. En otras palabras, puede usar estas métricas para ayudarle a ajustar el modelo para que cumpla mejor sus metas, pero no puede evaluar la validez objetiva de ese modelo.

Esto también subraya por qué el conocimiento del dominio es tan útil en las tareas de agrupamiento en clústeres y debe aprovecharse siempre que sea posible. Con un conocimiento de dominio adecuado, puede usar de forma más eficaz las métricas de agrupamiento en clústeres para ayudar a dar forma a un modelo de esa naturaleza y a fin de lograr los resultados deseados, en lugar de trabajar desde una pizarra en blanco.

Como es de esperar, no hay una métrica que sea la mejor para cada situación. Puede usar varias métricas en tándem para obtener varias perspectivas, si lo desea.

Un método para determinar k (número de clústeres) es calcular la distancia media entre cada ejemplo de datos y su centroide asociado. A medida que k aumenta, la distancia media necesariamente disminuye. Sin embargo, en algún momento, el aumento de k se vuelve inútil y no reduce la distancia media de ninguna manera significativa. El punto en el que la distancia media ya no disminuye de manera significativa se llama el punto de intersección y, por lo general, es un buen indicador de lo que k debería ser. Considere la siguiente figura, en la que k se traza contra la distancia media.

Hay dos propiedades ideales de un modelo de agrupamiento: la compacidad del clúster y lo bien separado que está de otros clústeres. Cuanto mejores sean estas propiedades para un problema dado, mejor será el resultado. Para evaluar estas propiedades, puede conectar los valores de datos en dos ecuaciones independientes.

La suma de cuadrados dentro del clúster (WCSS) mide la compacidad de los clústeres. Para ello, mida la distancia entre un punto de datos dado y su centroide de clúster, luego repitiendo este proceso para todos los demás puntos del clúster y calculando la distancia media. Los valores más pequeños de WCSS indican que los puntos de datos dentro de un clúster están más juntos, lo que significa que los valores más pequeños son ideales.

La suma de cuadrados entre clústeres (BCSS) mide la separación entre clústeres. Para ello, mida la distancia entre un centroide determinado y todo el resto, luego repitiendo este proceso para todos los demás centroides y calculando la suma. Los valores de BCSS más grandes indican clústeres que están más separados, lo que significa que los valores más grandes son ideales.