[发明专利]一种基于大规模样本的聚类结果评价方法及装置

说明书

本申请实施例公开了一种基于大规模样本的聚类结果评价方法及装置。本申请实施例提供的技术方案，通过获取聚类结果，从聚类结果的所有类中随机抽取第一设定数量个类，作为第一抽样类，对第一抽样类的每个类按照设定抽样规则抽取第二设定数量个样本作为抽样样本，基于抽样样本组成第二抽样类，最终根据第二抽样类计算轮廓系数，获取对应的聚类结果评价。采用上述技术手段，通过合理的样本抽样可以减少聚类结果的数据量，在保障抽样样本具备聚类结果的代表性的前提下，降低聚类结果评价计算的复杂度，进而提升聚类结果评价的生成效率。

技术领域

本申请实施例涉及数据聚类技术领域，尤其涉及一种基于大规模样本的聚类结果评价方法及装置。

背景技术

聚类是数据挖掘的一种方法。在图像处理技术领域中，图像聚类是基于图像特征将多幅图像分成由类似的图像组成的多个类的过程。图像聚类在图像分割、目标跟踪等领域具有重要的作用。而由于在很多聚类场景中，聚类过程可能会出现误差，将本不属于同一类的图像归为同一个图像簇，则该图像簇的中心会发生偏移，使得后续的聚类结果越来越不准确。因此需要评价聚类结果的准确程度，以及时修正错误的图像聚类结果。

目前，在进行聚类结果评估时，通常采用轮廓系数(Silhouette Coefficient)进行聚类结果的评价。同其他聚类评估指标相比，轮廓系数不需要事先获取到样本真实标签，因此对于样本真实未知的聚类任务，轮廓系数是一种较佳的选择。但是，在使用轮廓系数对大规模样本的聚类结果进行评价时，由于待评估样本数量相对较大，导致基于轮廓系数的聚类结果评价的计算复杂度偏高，聚类结果评价生成效率相对较低。

发明内容

本申请实施例提供一种基于大规模样本的聚类结果评价方法、装置、电子设备及存储介质，能够降低聚类结果评价计算的复杂度，保障聚类结果评价生成效率。

在第一方面，本申请实施例提供了一种基于大规模样本的聚类结果评价方法，包括：

获取聚类结果，从所述聚类结果的所有类中随机抽取第一设定数量个类，作为第一抽样类；

对所述第一抽样类的每个类按照设定抽样规则抽取第二设定数量个样本作为抽样样本，基于所述抽样样本组成第二抽样类；

根据所述第二抽样类计算轮廓系数，获取对应的聚类结果评价。

进一步的，对所述第一抽样类的每个类按照设定抽样规则抽取第二设定数量个样本作为抽样样本，包括：

计算所述第一抽样类中每个类任意两个样本的第一相似度距离，生成第一相似度距离集合；

从所述第一相似度距离集合中选取每个类中所述第一相似度距离最大的两个样本，并从对应的两个样本中选取一个样本作为候选样本；

计算对应类中各个样本与所述候选样本的第二相似度距离，并基于所述第二相似度距离对各个样本进行排序，得到对应的样本序列；

按设定的相似度距离间隔从所述样本序列中抽取第二设定数量个样本作为抽样样本。

进一步的，对所述第一抽样类的每个类按照设定抽样规则抽取第二设定数量个样本作为抽样样本，包括：

计算所述第一抽样类中每个类任意两个样本的第一相似度距离，生成第一相似度距离集合；

从所述第一相似度距离集合中选取每个类中所述第一相似度距离最大的两个样本，作为第一候选样本和第二候选样本；

计算对应中各个样本与所述第一候选样本的第二相似度距离，并基于所述第二相似度距离对各个样本进行排序，得到对应的第一样本序列，计算对应类中各个样本与所述第二候选样本的第三相似度距离，并基于所述第三相似度距离对各个样本进行排序，得到对应的第二样本序列；

基于第二设定数量并按设定的相似度距离间隔分别从所述第一样本序列和所述第二样本序列中抽取样本作为抽样样本。