sklearn之聚类评估指标---轮廓系数

'''
    轮廓系数：-----聚类的评估指标
            好的聚类：内密外疏，同一个聚类内部的样本要足够密集，不同聚类之间样本要足够疏远。

            轮廓系数计算规则：针对样本空间中的一个特定样本，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。

            轮廓系数的区间为：[-1, 1]。 -1代表分类效果差，1代表分类效果好。0代表聚类重叠，没有很好的划分聚类。

            轮廓系数相关API：
                import sklearn.metrics as sm
                # v：平均轮廓系数
                # metric：距离算法：使用欧几里得距离(euclidean)
                v = sm.silhouette_score(输入集, 输出集, sample_size=样本数, metric=距离算法)

    案例：输出KMeans算法聚类划分后的轮廓系数。
'''

import numpy as np
import matplotlib.pyplot as mp
import sklearn.cluster as sc
import sklearn.metrics as sm

#