我有 5000 个观察结果，它们聚集成 10 个聚类。每个聚类有 1000 个真实观测值。每个聚类中的实际观测值为 1000 个。但是，在我运行聚类算法后，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，聚类 0 应该有 1000 个成员，但其中只有 435 个成员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，并找到了以下代码：
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工作正常。但是，我发现的数据集看起来都不像我的数据集。
所以我的问题是如何计算基尼系数？
如果我执行以下操作，我会得到每个聚类的基尼系数：
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
这是每个聚类的正确基尼系数吗？
得到平均基尼系数;这只是平均值： (0.49155+0.3584+0.2782+0.4525+0)/5 ？
假设我们有 3 个类和 80 个对象。 类 1 中有 19 个对象，类 2 中有 21 个对象，类 3 中有 40 个对象(表示为 (19,21,40))。
基尼指数为：1- [ (19/80)^2 + (21/80)^2 + (40/80)^2] = 0.6247，即成本之前 = 基尼(19,21,40) = 0.6247
为了决定在哪里拆分，我们测试了所有可能的拆分。例如，在 2.0623 处拆分，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
然后我们用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-and-gini-impurity-of-children-nodes