引导者本文目录一览：
聚类评价指标-轮廓系数
如果真实的标签不知道聚类的评价指标，评估必须使用模型本身来执行。轮廓系数(sklearn.metrics. Silhouette ette_score)就是这种评价的一个例子，轮廓系数得分越高，表示具有定义的聚类的模型越好。
我们希望轮廓系数是正数( )，并且 越接近0越好，因为当 =0时轮廓系数取其最大值1。我们可以简单地取簇中点的轮廓系数的平均值，计算簇的平均轮廓系数。通过计算所有点的平均轮廓系数，可以得到聚类优良性的总度量。
计算它与所在聚类其它样本的平均距离a，以及该样本与距离最近的另一个聚类中所有样本的平均距离b，该样本的轮廓系数为(b-a)/max(a， b)，将整个样本空间中所有样本的轮廓系数取算数平均值，作为聚类划分的性能指标s。
轮廓系数聚类的评价指标：轮廓系数（Silhouette Coefficient）结合聚类的评价指标了聚类的凝聚度（Cohesion）和分离度（Separation），用于评估聚类的效果。该值处于-1~1之间，值越大，表示聚类效果越好。
Coefficient)，是 聚类 效果 好坏的一种评价方式。
k均值算法的聚类数k如何确定
算法：第一步：选k个初始聚类中心，z1(1)，z2(1)，…，zk(1)，其中括号内的序号为寻找聚类中心的迭代运算的次序号。聚类中心的向量值可任意设定，例如可选开始的k个模式样本的向量值作为初始聚类中心。
在k均值聚类中，聚类个数k通常是人工指定的。k均值聚类是一种无监督学习方法，用于将输入数据集划分为k个聚类，其中k是预设的聚类数量。
一般来说，K-Means 得到的聚类结果是服务于我们的后续目的（如通过聚类进行市场分析），所以不能脱离实际而单纯以数学方法来选择 K 值。
k均值聚类算法的过程包括确定聚类数目K、初始化质心、分配数据点到最近的质心、迭代更新质心和分配数据点、输出结果。确定聚类数目K 确定要聚类的数目，即要形成的簇的数量。
kmeans聚类效果的评估指标有
评价聚类效果的高低通常使用聚类的有效性指标聚类的评价指标，所以目前的检验聚类的有效性指标主要是通过簇间距离和簇内距离来衡量。这类指标常用的有CH（Calinski-Harabasz）指标等。
例2聚类的评价指标，在区间[2，200]上遍历k，并生成两个聚类内部评价指标CH分、轮廓系数以及kmeans自带inertia分和对应的k值的图片来选择k： 其中两点相似度s(i， j)的度量默认采用负欧氏距离。
DBI 是一种评估度量的聚类算法的指标，通常用于评估 K-means 算法中 k 的取值。简单的理解就是：DBI 是聚类内的距离与聚类外的距离的比值。所以，DBI 的数值越小，表示分散程度越低，聚类效果越好。
轮廓系数：轮廓系数（Silhouette Coefficient）结合聚类的评价指标了聚类的凝聚度（Cohesion）和分离度（Separation），用于评估聚类的效果。该值处于-1~1之间，值越大，表示聚类效果越好。
K-Means算法是典型的基于距离的非层次聚类算法，在最小化误差函数的基础上将数据换分为预定的类数K，采用距离作为相似性的评价指标，即认为两个对象的距离越近，其相似度就越大。
聚类的评价指标
在聚类任务中聚类的评价指标，常见聚类的评价指标的评价指标有聚类的评价指标：准确率、F值、调整兰德系数和标准互信息素。将物理或抽象对象的集合分成由类似的对象组成的多个类的过程被称为聚类。
分割度（Seperation）：是个簇的簇心之间的平均距离。分割度值越大说明簇间间隔越远聚类的评价指标，分类效果越好聚类的评价指标，即簇间相似度越低。
评价聚类效果的高低通常使用聚类的有效性指标，所以目前的检验聚类的有效性指标主要是通过簇间距离和簇内距离来衡量。这类指标常用的有CH（Calinski-Harabasz）指标等。
在聚类算法中所谓误差平方和是指每个数据点的误差，即它到最所属类别质心的欧几里得距离，然后求和汇总即得误差平方和 。
评估聚类算法的性能并不像计算错误数量或监督分类算法的精度和召回率那么简单。
聚类模型的评价指标
在聚类算法中，SSE是我们判断模型是否最优的重要指标，我们希望求得的模型是在给定K值的情况下SSE最小的模型， 即在相同的K值情况下聚类模型SSE越小越好，这也是聚类算法最核心的优化条件 。
评价聚类效果的高低通常使用聚类的有效性指标，所以目前的检验聚类的有效性指标主要是通过簇间距离和簇内距离来衡量。这类指标常用的有CH（Calinski-Harabasz）指标等。
无监督的，无需基准数据集，不需要借助于外部参考模型指标有：紧密度（Compactness）：每个聚类簇中的样本点到聚类中心的平均距离。对应聚类结果，需要使用所有簇的紧密度的平均值来衡量聚类算法和聚类各参数选取的优劣。
评估聚类算法的性能并不像计算错误数量或监督分类算法的精度和召回率那么简单。
例2，在区间[2，200]上遍历k，并生成两个聚类内部评价指标CH分、轮廓系数以及kmeans自带inertia分和对应的k值的图片来选择k： 其中两点相似度s(i， j)的度量默认采用负欧氏距离。
通常会加上 SSE （Sum of squared errors ）平方误差和，其他算法会有不同指标。总体思想为一个cluster聚类内的数据点聚集在一起的密度越高， 圈子越小，离centroid中心点越近，那么这个聚类的总体质量 相对来说就会越好。
聚类评价指标-基于标准化互信息评分
1、在聚类任务中，常见的评价指标有：准确率、F值、调整兰德系数和标准互信息素。将物理或抽象对象的集合分成由类似的对象组成的多个类的过程被称为聚类。
2、代表：谱聚类算法 一个好的聚类方法可以产生高品质簇，是的簇内相似度高，簇间相似度低。一般来说，评估聚类质量有两个标准，内部质量评价指标和外部评价指标。内部评价指标是利用数据集的属性特征来评价聚类算法的优劣。
3、评价聚类效果的高低通常使用聚类的有效性指标，所以目前的检验聚类的有效性指标主要是通过簇间距离和簇内距离来衡量。这类指标常用的有CH（Calinski-Harabasz）指标等。
4、注意 1 不正确的聚类得分为-1，而高度密集的聚类得分为+1。
5、利用基于互信息的方法来衡量聚类效果需要实际类别信息，MI与NMI取值范围为[0，1]，AMI取值范围为[-1，1]。
6、聚类没有统一的评价指标，因为不同聚类算法的目标函数相差很大，有些是基于距离，有些是假设先验分布，有些是带有图聚类和谱分析性质，还有些是基于密度的拿谱聚类距离。
