聚类评价指标(轮廓系数 Silhouette coefficient)

最新推荐文章于 2025-07-10 17:00:20 发布

原创

最新推荐文章于 2025-07-10 17:00:20 发布 · 2.6w 阅读

114 ·

CC 4.0 BY-SA版权

文章标签：

#聚类 #机器学习

本文深入探讨了聚类算法结果的评价方法，重点介绍了轮廓系数（Silhouette）这一内部有效性指标。轮廓系数衡量了样本与其所在聚类的紧密度及与其他聚类的分离度，其值范围在-1到1之间，值越大表示聚类效果越好。文章详细解释了轮廓系数的计算过程，并通过实例展示了如何使用sklearn包进行轮廓系数的计算。

聚类评价指标

最近在做聚类的项目，聚类得到结果后我们需要知道聚类的好坏，用哪个算法效果比较好。肯定要选择那个最好评价的算法。今天我们就不谈算法只谈算法结果的评价。
我也从网上看了很多的别人写的东西，总之是五花八门的。那下面我们言归正传。
聚类算法是机器学习算法中的一种无监督算法。那么在生活中我们大多数做项目的话其实数据集都是为标定的。我看到许多人有写到通过有label的样本，计算它的混淆矩阵。这不乏是一种办法，那么今天说的方法其实是一种内部方法，就是说通过聚类后的结果label来计算的一种评价指标。
内部有效性指标呢设计的时候从三个方面来看聚类的有效性：

度量各个聚类的分离程度，理论上，类分离程度越大，结果越好。
度量每个类内的内在紧致性，紧致性越大，聚类效果越好。
度量各个类表示的复杂度，在可行的类表示中选择简单的。

Silhouette

首先，我们先看评价指标的其中一个指标：轮廓系数。
Silhouette 遵循类紧致性。Silhouette值用来描述一个目标对于目标所在簇与其他簇之间的相似性。其范围是从-1~+1，这个值越大表明目标与自己所在簇之间的匹配关系度越高，与其他簇的匹配关系度越低。如果这个值越高，那么聚类结果越好，如果是很小或是负值，那么可能是分簇太多或是太少造成的。
Silhouette是通过一些距离矩阵来计算的。

Silhouette的定义

假设数据集我们已经通过聚类算法分成了很多类。对于目标 $i$ 有 $i∈Cii\in C_i$ ,得到
$\frac{1}{\left | C_i -1 \right|}\sum_{j\in C_i,i\neq j}d(i,j)$ 表示i与同簇之间其他目标的平均距离。
这里的 $d (i, j)$ 是目标i和j在簇 $C_i$