如何找到聚类算法的成功率？
How to find the success rate of a clustering algorithm?
我已经在图像数据集上实现了几种聚类算法。
我对推导聚类的成功率很感兴趣。我必须检测肿瘤区域，在原始图像中我知道肿瘤位于何处，我想比较两个图像并获得成功百分比。
以下图片：
原图：我知道癌的位置
聚类算法后的图像
我正在使用 python 2.7.
分割准确度
这是图像分割文献中非常常见的问题，例如 here is a Whosebug post
一种常见的方法是考虑 "correct pixels" 与 "incorrect pixels," 的比率，这在安全域的 图像分割 中很常见，例如 Mask RCNN, PixelNet.
将其更多地视为一项 对象检测 任务，您可以获取对象外壳的重叠部分并仅测量 accuracy (commonly broken down into precision, recall, f-score, and other measures with various bias/skews). This allows you to produce an ROC curve 可以校准的错误positives/false 否定。
对于什么是正确的，没有与领域无关的共识。 KITTI provides both.
Mask RCNN 是最先进的开源技术，并提供了实现
在python中
在您的领域（医学）中，适用标准统计规则。使用保留集。交叉验证。等等 (*)
注意： 尽管文献 space 非常庞大，但我还是提醒您看看一些与领域相关的论文，因为它们可能需要更少的时间"statistical short cuts" 比其他视觉（例如数字识别）项目接受。
- "Metrics for evaluating 3D medical image segmentation: analysis, selection, and tool" 在您的领域提供一些总结方法
- "Current methods in image segmentation" 有大约 2500 次引用，但有点老了。
- "Review of MR image segmentation techniques using pattern recognition" 稍微老一点，可以让您安全地进入 "traditional" 视觉模型。
- Automated Segmentation of MR Images of Brain Tumors 主要是关于其分段验证过程
Python
除了上面的 mask rcnn 链接之外，scikit-learn 还提供了一些非常用户友好的工具，并且被认为是 "stack" 用于 python 的标准科学的一部分。
在 python 中实现图像之间的差异是微不足道的（使用 numpy）。这是一个矫枉过正 SO link。
pythonis easy to implement on one's own; I'd use a library like shapely if you want to measure general polygon intersection 中的边界框交集。
Scikit-learn 有一些不错的机器学习评估工具，例如，
文献检索
您可能难以搜索答案的一个原因是因为您正试图在 监督学习 领域中衡量无监督方法聚类的性能。 "Clusters" 在数学中基本上是未定义的 (**)。您想查看监督学习文献以了解准确性。
也有关于无监督learning/clustering的文献，一般都是寻找拓扑结构。 Here's a very introductory summary。我不认为那是你想要的。
一个常见的问题，尤其是在规模上，是监督方法需要标签，标签可以是 time consuming to produce accurately for dense segmentation. Object detection makes it a little easier。
有一些现有的医学数据集（[1], [2], e.g.) and some ongoing research in label-less metrics。如果其中 none 是您的选择，那么您可能不得不重新考虑将其视为无监督问题，但评估变得非常不同在范围和效用上。
脚注
[*] Vision 人员有时会跳过交叉验证，即使他们不应该这样做，这主要是因为模型拟合速度很慢而且他们是一群懒惰的人。 请不要跳过 train/test/validation split，否则您的结果可能毫无用处
[**] 您可以找到各种各样的 "formal" 定义，但永远不会有两个人就哪一个是正确的或最有用的定义达成一致。 Here's denser reading
我已经在图像数据集上实现了几种聚类算法。 我对推导聚类的成功率很感兴趣。我必须检测肿瘤区域，在原始图像中我知道肿瘤位于何处，我想比较两个图像并获得成功百分比。 以下图片：
原图：我知道癌的位置
聚类算法后的图像
我正在使用 python 2.7.
分割准确度
这是图像分割文献中非常常见的问题，例如 here is a Whosebug post
一种常见的方法是考虑 "correct pixels" 与 "incorrect pixels," 的比率，这在安全域的 图像分割 中很常见，例如 Mask RCNN, PixelNet.
将其更多地视为一项 对象检测 任务，您可以获取对象外壳的重叠部分并仅测量 accuracy (commonly broken down into precision, recall, f-score, and other measures with various bias/skews). This allows you to produce an ROC curve 可以校准的错误positives/false 否定。
对于什么是正确的，没有与领域无关的共识。 KITTI provides both.
Mask RCNN 是最先进的开源技术，并提供了实现 在python中
在您的领域（医学）中，适用标准统计规则。使用保留集。交叉验证。等等 (*)
注意： 尽管文献 space 非常庞大，但我还是提醒您看看一些与领域相关的论文，因为它们可能需要更少的时间"statistical short cuts" 比其他视觉（例如数字识别）项目接受。
- "Metrics for evaluating 3D medical image segmentation: analysis, selection, and tool" 在您的领域提供一些总结方法
- "Current methods in image segmentation" 有大约 2500 次引用，但有点老了。
- "Review of MR image segmentation techniques using pattern recognition" 稍微老一点，可以让您安全地进入 "traditional" 视觉模型。
- Automated Segmentation of MR Images of Brain Tumors 主要是关于其分段验证过程
Python
除了上面的 mask rcnn 链接之外，scikit-learn 还提供了一些非常用户友好的工具，并且被认为是 "stack" 用于 python 的标准科学的一部分。
在 python 中实现图像之间的差异是微不足道的（使用 numpy）。这是一个矫枉过正 SO link。
pythonis easy to implement on one's own; I'd use a library like shapely if you want to measure general polygon intersection 中的边界框交集。
Scikit-learn 有一些不错的机器学习评估工具，例如，
文献检索
您可能难以搜索答案的一个原因是因为您正试图在 监督学习 领域中衡量无监督方法聚类的性能。 "Clusters" 在数学中基本上是未定义的 (**)。您想查看监督学习文献以了解准确性。
也有关于无监督learning/clustering的文献，一般都是寻找拓扑结构。 Here's a very introductory summary。我不认为那是你想要的。
一个常见的问题，尤其是在规模上，是监督方法需要标签，标签可以是 time consuming to produce accurately for dense segmentation. Object detection makes it a little easier。
有一些现有的医学数据集（[1], [2], e.g.) and some ongoing research in label-less metrics。如果其中 none 是您的选择，那么您可能不得不重新考虑将其视为无监督问题，但评估变得非常不同在范围和效用上。
脚注
[*] Vision 人员有时会跳过交叉验证，即使他们不应该这样做，这主要是因为模型拟合速度很慢而且他们是一群懒惰的人。 请不要跳过 train/test/validation split，否则您的结果可能毫无用处
[**] 您可以找到各种各样的 "formal" 定义，但永远不会有两个人就哪一个是正确的或最有用的定义达成一致。 Here's denser reading