Glosario IA
El diccionario completo de la Inteligencia Artificial
Información Mutua Normalizada
Métrica de evaluación externa basada en la teoría de la información, que cuantifica la dependencia mutua entre dos particiones normalizando la información mutua por la entropía promedio de las dos particiones.
Índice de Dunn Modificado
Variación del índice de Dunn que utiliza medidas alternativas de distancia intra-clúster e inter-clúster para mejorar la sensibilidad a clústeres de formas variadas y tamaños diferentes.
Índice de Xie-Beni
Índice específico para el clustering difuso que evalúa el compromiso entre la compacidad intra-clúster y la separación inter-clúster, particularmente adecuado para los algoritmos Fuzzy C-Means.
Puntuación de Pureza
Métrica de evaluación externa que mide la proporción de puntos correctamente asignados a los clústeres dominantes, calculada como el promedio de las entropías inversas de cada clúster con respecto a las clases reales.
Puntuación V-Measure
Métrica de evaluación externa que combina la homogeneidad y la completitud utilizando la media armónica, midiendo simultáneamente si los clústeres contienen únicamente miembros de la misma clase y si todos los miembros de una clase están en el mismo clúster.
Índice de Fowlkes-Mallows
Métrica de similitud entre particiones que calcula la media geométrica de la precisión y el recall de los pares de puntos asignados conjuntamente en ambas particiones, variando entre 0 y 1.
Coeficiente de Hubert
Estadística de validación interna que mide la correlación entre la matriz de proximidades y la matriz de pertenencia a los clústeres, evaluando la coherencia global del particionamiento.
Índice de Partición
Métrica de evaluación interna que combina la compacidad y la separación calculando la relación entre la varianza intra-clúster total y la separación inter-clúster mínima, adaptada a clústeres de tamaños variables.
Índice de Validez Relativa
Clase de métricas que comparan la calidad de diferentes particiones del mismo conjunto de datos, permitiendo seleccionar el mejor esquema de agrupamiento entre varias soluciones candidatas.