机器学习数据分析之-轮廓系数（评估聚类结果）

在学习使用k-means算法进行负载聚类分析时看到了这样的图，查了之后是用轮廓系数来评估分类结果的准确度或者称合适度。

silhouette 是一个衡量一个结点与它属聚类相较于其它聚类的相似程度。
取值范围-1到1，值越大表明这个结点更匹配其属聚类而不与相邻的聚类匹配。
如果大多数结点都有很高的silhouette value，那么聚类适当。若许多点都有低或者负的值，说明分类过多或者过少。
定义
轮廓系数结合了凝聚度和分离度，其计算步骤如下：
1.对于第i个对象，计算它到所属簇中所有其他对象的平均距离，记为ai（体现凝聚度）
2.对于第i个对象和不包含该对象的任意簇，记为bi（体现分离度）
3.第i个对象的轮廓系数为si=（bi-ai）/max(ai,bi)
scikit-learn 中的轮廓系数
对应 scikit-learn 方法是 sklearn.metrics.silhouette_score。该方法是计算所有样本的平均值，另一个方法 silhouette_samples 会返回所有样本的轮廓系数。在文档中提到，轮廓系数需要聚类数大于2，小于(样本数-1)。方法包括几个参数，最终返回一个 float 的轮廓系数，通常是在全部样本上的。

X：二维样本，通常为[n_samples, n_features]，当 metric 设置为”precomputed”时，应为[n_samples, n_samples]方阵
labels：一维矩阵，每个样本所属簇的 label
metric：预计算”precomputed”，或者为一个可调用的函数计算两个实例之间的距离。如果为 string，则必须是metrics.pairwise.pairwise_distances 中 metric 可选的（‘cityblock’, ‘cosine’, ‘euclidean’, ‘l1’, ‘l2’, ‘manhattan’ 或‘braycurtis’, ‘canberra’, ‘chebyshev’, ‘correlation’, ‘dice’, ‘hamming’, ‘jaccard’, ‘kulsinski’, ‘mahalanobis’, ‘matching’, ‘minkowski’, ‘rogerstanimoto’, ‘russellrao’, ‘seuclidean’, ‘sokalmichener’, ‘sokalsneath’, ‘sqeuclidean’, ‘yule’）——好多啊。
sample_size：随机取样一部分计算平均值，int 类型
random_state：当sample_size 为非空时用来生成随机采样。给定一个种子，或者使用 numpy.RandomState
**kwds：其他可选的 key-value 参数

参考
http://buptguo.com/2016/05/31/learn-ml-from-scikit-learn-silhouette-analysis/
https://blog.csdn.net/u014470581/article/details/51166758