聚类效果评价——Davies-Bouldin（DB指标）——内部评估标准（3）

Davies, David L., and Donald W. Bouldin. “A cluster separation measure.” IEEE transactions on pattern analysis and machine intelligence 2 (1979): 224-227.

公式与简介

指标越小表明聚类效果越好，最小值为0

首先计算：$R_{ij}=\frac{s_i+s_j}{d_{ij}}$

其中 $s_i$表示这个类的直径；$d_{ij}$表示类$i$与$j$的质心(centroids)之间的距离

然后取最大的$R_{ij}$即可得到DB指标值：$DB=\frac{1}{k}{\sum }_{i=1}^k{\max }_{i\ne j}{R}_{ij}$

代码实现

import pandas as pd
import numpy as np
from sklearn import metrics
from sklearn.cluster import KMeans

dataframe = pd.DataFrame(data=np.random.randint(0, 50, size=(200, 10)))
# 以kmeans聚类方法为例
kmeans_model = KMeans(n_clusters=3, random_state=1).fit(dataframe)
labels = kmeans_model.labels_
# 计算指标
score = metrics.davies_bouldin_score(dataframe, labels)
print(score)