Python 如何找到聚类算法的成功率？

我在一个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感兴趣。我必须检测肿瘤区域，在原始图像中我知道肿瘤的位置，我想比较两张图像并获得成功率。 以下图片：

原始图像：我知道癌症的位置

图像聚类算法

---

我使用的是python 2.7。

分割精度

这是图像分割文献中非常常见的问题，例如

一种常见的方法是考虑“正确的像素”与“不正确的像素”的比率，这在安全域，例如，<强>图像分割< /强>中是常见的。p> 将其视为一项对象检测任务时，您可以利用对象外壳的重叠部分进行测量（通常分解为，以及使用其他度量）。这使您能够生成一个可针对误报/误报进行校准的

关于什么是正确的，没有领域不可知论的共识

Mask RCNN是最先进的开源软件，并提供了实现 python中的of

在您的领域（医学），标准统计规则适用。使用固定装置。交叉验证。等等（*）

注意：尽管文献空间大得吓人，但我要提醒你看一些与领域相关的论文，因为它们可能比其他视觉（例如数字识别）项目接受的“统计捷径”要少

• “”在域中提供了一些摘要方法
• “”有大约2500条引文，但有点老
• “”更老一点，会让你安全地进入“传统”视觉模型
• 主要是关于其细分验证过程

---

Python

除了上面的mask rcnn链接之外，它还提供了一些非常用户友好的工具，并且被认为是python标准科学“堆栈”的一部分

在python中实现图像之间的差异非常简单（使用numpy）。这里有一个过度的杀伤力

python中的边界框相交；我会使用像这样的图书馆

Scikit learn有一些不错的机器学习评估工具，例如

---

文献检索

您在搜索答案时可能遇到困难的一个原因是，您试图在监督学习领域中测量无监督方法（聚类）的性能。“集群”在数学（**）中基本上定义不足。您需要查看监督学习文献以了解准确度度量

也有关于无监督学习/聚类的文献，通常寻找拓扑结构。我不认为那是你想要的

一个常见的问题，特别是在规模上，是监督方法需要标签，这可以用于密集分割。目标检测

有一些现有的医学数据集（，例如）和。如果这些都不是您可以选择的，那么您可能不得不重新考虑将其视为一个无监督的问题，但评估的范围和实用性将变得非常不同

---

脚注

[*]愿景人士有时会跳过交叉验证，尽管他们不应该这样做，主要是因为模型拟合速度慢，而且他们是一群懒惰的人。请不要跳过a，否则您的结果可能会毫无用处

---

[**]你可以找到各种各样的“正式”定义，但从来没有两个人同意哪一个是正确的或最有用的

使用ROC曲线：很好的答案。我不确定还有什么可以补充的！