【scikit-learn】sklearn.metrics.silhouette_score() 函数：无监督聚类模型评估指标 轮廓系数

sklearn.metrics.silhouette_score

silhouette_score（轮廓系数）是 sklearn.metrics 提供的一个 无监督聚类模型评估指标，用于衡量 聚类结果的紧密性和分离性，其取值范围为 [-1, 1]。

---

1. silhouette_score 计算原理

轮廓系数衡量每个样本的 平均轮廓系数，公式如下：
$$s(i)=\frac{b(i)-a(i)}{\max (a(i),b(i))}$$
其中：

• $s(i)$：样本 $i$ 的轮廓系数
• $a(i)$：样本 $i$ 到 同簇内其他样本的平均距离（簇内相似度）
• $b(i)$：样本 $i$ 到 最近的其他簇的平均距离（簇间分离度）

解释

• $s(i)$ 接近 1：表示样本 $i$ 处于合适的簇中，簇内距离较小，簇间距离较大。
• $s(i)$ 接近 0：表示样本 $i$ 可能位于两个簇的边界，聚类效果不明显。
• $s(i)$ 小于 0：表示样本 $i$ 可能被错误地归类，属于错误的簇。

最终，silhouette_score 是所有样本轮廓系数的平均值，范围在 [-1, 1] 之间：

• 接近 1：说明 聚类效果好（紧密且分离良好）。
• 接近 0：说明 聚类不明显（可能簇之间有重叠）。
• 接近 -1：说明 样本被错误分类。

---

2. silhouette_score 代码示例

from sklearn.metrics import silhouette_score
from sklearn.cluster import KMeans
from sklearn.datasets import make_blobs

# 生成数据
X, y_true = make_blobs(n_samples=300, centers=3, cluster_std=1.0, random_state=42)

# 训练 K-Means 模型
kmeans = KMeans(n_clusters=3, random_state=42)
y_pred = kmeans.fit_predict(X)

# 计算轮廓系数
silhouette_avg = silhouette_score(X, y_pred)
print(f"Silhouette Score: {silhouette_avg:.2f}")

输出

Silhouette Score: 0.72

解释

• Silhouette Score = 0.72，说明 聚类效果较好，簇之间分离良好。

---

(1) 计算不同聚类数目的 silhouette_score

for n_clusters in [2, 3, 4, 5]:
    kmeans = KMeans(n_clusters=n_clusters, random_state=42)
    y_pred = kmeans.fit_predict(X)
    score = silhouette_score(X, y_pred)
    print(f"聚类数 {n_clusters}, Silhouette Score: {score:.2f}")

示例输出

聚类数 2, Silhouette Score: 0.68
聚类数 3, Silhouette Score: 0.72
聚类数 4, Silhouette Score: 0.55
聚类数 5, Silhouette Score: 0.50

解释

• 最佳的 silhouette_score 出现在 n_clusters = 3，说明数据的最佳聚类数是 3。

---

3. silhouette_score 的参数

silhouette_score(X, labels, metric='euclidean', sample_size=None, random_state=None)

参数	说明
X	特征矩阵
labels	聚类标签
metric	距离度量方法（默认为 euclidean，可选 manhattan, cosine 等）
sample_size	计算轮廓系数时使用的样本数量（默认 None，即使用所有样本）
random_state	适用于 sample_size 不为空时，控制随机采样

---

4. silhouette_score 适用场景

• 无监督聚类模型评估（如 K-Means、DBSCAN、层次聚类）。
• 确定最佳聚类数目（通过不同 n_clusters 计算 silhouette_score）。
• 检测聚类是否存在重叠（值越低，说明聚类效果越差）。

---

5. silhouette_score vs. 其他聚类评估指标

指标	计算方式	适用场景
silhouette_score	计算样本到簇中心的距离	适用于 无监督聚类，评估聚类质量
adjusted_rand_score（ARI）	基于样本对一致性，调整随机性影响	适用于 有真实标签 的聚类评估
normalized_mutual_info_score（NMI）	计算聚类和真实类别的互信息	适用于 不同类别数的聚类对比
davies_bouldin_score	计算簇间和簇内的距离比率	适用于 无监督聚类，但易受数据分布影响
calinski_harabasz_score	计算簇内紧密度与簇间分离度的比率	适用于 高维聚类评估

示例：

from sklearn.metrics import adjusted_rand_score, normalized_mutual_info_score, davies_bouldin_score

ari = adjusted_rand_score(y_true, y_pred)
nmi = normalized_mutual_info_score(y_true, y_pred)
dbi = davies_bouldin_score(X, y_pred)

print(f"ARI: {ari:.2f}")
print(f"NMI: {nmi:.2f}")
print(f"Davies-Bouldin Index: {dbi:.2f}")

---

6. 结论

• silhouette_score 衡量 聚类结果的紧密性和分离性，适用于 无监督聚类任务。
• 适用于 确定最佳聚类数，值越接近 1，说明聚类效果越好。
• 可与 ARI、NMI、Davies-Bouldin Score 结合使用，以更全面评估聚类质量。