Spark構建聚類模型（二）

內部評價指標

通用的內部評價指標包括WCSS（我們之前提過的K-元件的目標函式）、Davies-Bouldin指數、Dunn指數和輪廓係數（silhouette coefficient）。所有這些度量指標都是使類簇內部的樣本距離儘可能接近，不同類簇的樣本相對較遠。

外部評價指標

因為聚類被認為是無監督分類，如果有一些帶標註的資料，便可以用這些標籤來評估聚類模
型。可以使用聚類模型預測類簇（類標籤），使用分類模型中類似的方法評估預測值和真實標籤的誤差（即真假陽性率和真假陰性率）。

在MovieLens資料集計算效能

MLlib提供的函式computeCost可以方便地計算出給定輸入資料RDD [Vector]的WCSS。下面我們使用這個方法計算電影和使用者訓練資料的效能

val movieCost = movieClusterModel.computeCost(movieVectors)
val userCost = userClusterModel.computeCost(userVectors)
println("WCSS for movies: " + movieCost)
WCSS for movies: 2273.1845750824914
println("WCSS for users: " + userCost)
WCSS for users: 1491.3740578499805

通過交叉驗證選擇K

類似分類和迴歸模型，我們可以應用交叉驗證來選擇模型最優的類中心數目。這和監督學習的過程一樣。需要將資料集分割為訓練集和測試集，然後在訓練集上訓練模型，在測試集上評估感興趣的指標的效能。如下程式碼用60/40劃分得到訓練集和測試集，並使用MLlib內建的WCSS類方法評估聚類模型的效能：

val trainTestSplitMovies = movieVectors.randomSplit(Array(0.6, 0.4), 123)
val trainMovies = trainTestSplitMovies(0)
val testMovies = trainTestSplitMovies(1)
val costsMovies = Seq(2, 3, 4, 5, 10, 20).map { k => (k, KMeans.
train(trainMovies, numIterations, k, numRuns).computeCost(testMovies))
}
println("Movie clustering cross-validation:")
Movie clustering cross-validation:
costsMovies.foreach { case (k, cost) => println(f"WCSS for K=$k id $cost%2.2f") }
WCSS for K=2 id 884.43
WCSS for K=3 id 885.07
WCSS for K=4 id 884.39
WCSS for K=5 id 874.54
WCSS for K=10 id 885.56
WCSS for K=20 id 878.53

為了實驗的完整性，我們還計算了使用者聚類在交叉驗證下的效能：

val trainTestSplitUsers = userVectors.randomSplit(Array(0.6, 0.4), 123)
val trainUsers = trainTestSplitUsers(0)
val testUsers = trainTestSplitUsers(1)
val costsUsers = Seq(2, 3, 4, 5, 10, 20).map { k => (k,
KMeans.train(trainUsers, numIterations, k,
numRuns).computeCost(testUsers)) }
println("User clustering cross-validation:")
costsUsers.foreach { case (k, cost) => println(f"WCSS for K=$k id $cost%2.2f") }
WCSS for K=2 id 612.19
WCSS for K=3 id 614.20
WCSS for K=4 id 607.50
WCSS for K=5 id 604.97
WCSS for K=10 id 601.47
WCSS for K=20 id 609.47