扫码阅读
手机扫码阅读
聚类的k值确定之轮廓系数

我们非常重视原创文章,为尊重知识产权并避免潜在的版权问题,我们在此提供文章的摘要供您初步了解。如果您想要查阅更为详尽的内容,访问作者的公众号页面获取完整文章。


Python学习杂记
扫码关注公众号
确定聚类簇数的轮廓系数方法概述
在进行聚类分析时,确定最佳聚类簇数(如k-means中的k值)常使用手肘法,但这方法存在主观误差。轮廓系数,由Peter J. Rousseeuw于1986年提出,是一个评价聚类效果的指标,它通过计算内聚度和分离度来评估聚类的k值。
轮廓系数的定义与计算
轮廓系数是用来衡量一个聚类结果的紧密度和分离度,其公式为 s = (b-a)/max(a,b),其中a是簇内不相似度的平均值即内聚度,b是簇间不相似度的平均值即分离度。通过计算每个点的轮廓系数并求平均值,可以得到整个模型的轮廓系数。
轮廓系数的解释
轮廓系数的值介于-1到1之间,值越大表示聚类结果越好。负值表示聚类效果不佳,接近0表示聚类结果不明显,而接近1则表示聚类结果很好。
k-means算法流程
k-means算法包括选择初始质心、将点指派到最近质心形成簇、计算新的聚类中心以及迭代上述步骤直到质心不变。
轮廓系数的计算实践
可以使用sklearn的silhouette_score函数直接计算轮廓系数。通过实例演示,当k值为3时,轮廓系数最大,建议分为3类。此外,也可以手动计算轮廓系数,包括内聚度、分离度和每个点的轮廓系数的计算。
评价和局限性
虽然轮廓系数是一个有用的指标,但它对于凸簇结构的数据效果较好,对于需要使用DBSCAN等算法聚类的非凸簇结构数据效果则不佳。因此,在使用轮廓系数评价不同聚类算法时应注意其局限性。
想要了解更多内容?


Python学习杂记
扫码关注公众号
Python学习杂记的其他文章
提高编码质量的几个基本原则
编码规范是为了提高代码的可读性、可维护性、可扩展性和代码质量而制定的一系列规则和准则。
Pandas中使用apply调用函数
pandas是一个强大的数据处理库,其中 apply 是一个非常有用的函数。
Python处理日期时间常用的10个操作
在处理数据时,我们经常需要处理时间数据。Python提供了丰富的库和函数来处理时间数据,本文将介绍一些常用的方法,并提供相应的代码示例供大家学习。
Python求解旅行商问题
旅行商问题是车辆路径问题(VRP)的特例,又译为旅行推销员问题、货郎担问题,简称为TSP问题,是最基本的路线路线问题,该问题是在寻求单一旅行者由起点出发,通过所有给定的需求点之后,最后再回到原点的最小路径成本。
学习Python几个常用的网站
今天给大家总结学习Python的几个常用的网站。
加入社区微信群
与行业大咖零距离交流学习


PMO实践白皮书
白皮书上线
白皮书上线