怎样在Python中评估聚类算法的轮廓系数-Python教程-PHP中文网

轮廓系数是衡量聚类质量的内部评估指标，通过计算每个样本的内聚度a(i)与分离度b(i)，代入公式s(i)=(b(i)−a(i))/max(a(i),b(i))得到[-1,1]范围内的值，再取均值得到整体轮廓系数；它必须同时依赖原始特征数据x和簇标签labels，因为距离计算需在聚类所处的实际特征空间中进行，仅用labels无法还原样本间距离关系。

怎样在python中评估聚类算法的轮廓系数

轮廓系数是什么，为什么不能直接用 `labels` 算

轮廓系数（Silhouette Score）衡量的是每个样本与其所属簇的内聚性（cohesion）和与其他簇的分离性（separation）的平衡。它不是对聚类结果的“整体打分”，而是对每个样本计算一个 [-1, 1] 区间的值，再取均值。所以你必须同时提供原始数据 X 和对应的簇标签 labels，缺一不可——只给 labels 或只给距离矩阵是无效的。

常见错误是误以为轮廓系数能评估任意标签划分的好坏，比如拿 KMeans 的结果直接喂给某个“轮廓函数”却不传原始特征；或者在降维后（如 PCA）用了新坐标却忘了同步更新 X，导致分数失真。

用 `sklearn.metrics.silhouette_score` 计算时的关键参数

核心函数是 silhouette_score，不是 silhouette_samples（后者返回每个点的值，前者返回平均值）。它默认使用欧氏距离，但实际行为受以下参数影响极大：

metric：必须与你聚类时使用的距离一致。KMeans 默认欧氏距离，就别设成 'manhattan'，否则分数不可比
sample_size：大数据集建议设为整数（如 10000），否则全量计算极慢；但设了这个参数后结果是随机采样的估计值，两次运行可能略有浮动
random_state：仅当 sample_size 非 None 时生效，用于复现实验
注意：该函数会自动忽略标签全相同的极端情况（即所有点被分到一个簇），并抛出 ValueError: Number of labels is 1

怎样避免因预处理不一致导致轮廓系数失真

轮廓系数对特征尺度极度敏感。如果你用 StandardScaler 对数据做了归一化，但评估时用的是原始 X，算出来的分数毫无意义——因为聚类本身是在缩放后的空间里做的，而轮廓系数计算距离时也得在同一个空间。

正确做法是：确保传入 silhouette_score 的 X 和你训练模型时用的 X 完全一致（包括是否缩放、是否降维、是否去噪）。

python-script-generator

快速生成专业的 Python 脚本和应用代码。一键创建完整项目结构，支持CLI、API、爬虫、Bot、Django等多种项目类型，包含完整的项目结构、配置文件、依赖管理、测试、README和文档。

下载

示例片段：

from sklearn.preprocessing import StandardScaler
from sklearn.cluster import KMeans
from sklearn.metrics import silhouette_score
<p>scaler = StandardScaler()
X_scaled = scaler.fit_transform(X)  # 聚类用这个
kmeans = KMeans(n_clusters=3).fit(X_scaled)
score = silhouette_score(X<em>scaled, kmeans.labels</em>)  # 评估也用这个，不是 X！</p>