3、聚类算法入门：从K-means到层次聚类

聚类算法入门：从K-means到层次聚类

1. 聚类性能评估：轮廓系数

在机器学习中，无监督学习方法的性能评估通常比监督学习方法更具挑战性，因为往往没有明确的“最佳”解决方案。对于监督学习，有许多可靠的性能指标，最直接的就是通过比较模型预测标签和实际标签，计算预测正确的比例，即准确率。然而，对于聚类问题，我们没有可供依赖的标签，因此需要找到一种方法来衡量聚类的“差异”程度，轮廓系数（Silhouette Score）就是这样一种常用的指标。

轮廓系数的取值范围在 -1 到 1 之间。如果整个聚类的平均轮廓系数为 1，那么意味着聚类效果非常理想，每个数据点所属的聚类非常明确，几乎不存在混淆。但在实际情况中，达到 1 的轮廓系数是非常罕见的，因此我们可以将轮廓系数视为衡量聚类效果的一个参考，尽力使聚类结果接近理想状态。

轮廓系数的计算可以通过简化轮廓指数（Simplified Silhouette Index，SSI）来实现，其数学原理是分析一个数据点与其所在聚类的契合程度。具体来说，它考虑了数据点到自身聚类质心的距离以及到最近聚类质心的距离。在Python的 scikit-learn 库中，提供了 silhouette_score 函数来计算轮廓系数，使用时只需传入特征数组和k-means聚类方法预测的聚类标签即可。

2. 计算轮廓系数的练习

下面我们通过一个具体的练习来学习如何计算数据集的轮廓系数，这里使用鸢尾花（Iris）数据集。

步骤如下 ：
1. 加载数据 ：使用 <