机器学习sklearn----KMeans评估指标

iostreamzl

于 2021-11-24 20:17:07 发布

阅读量9k

点赞数 4

分类专栏： # sklearn 文章标签：机器学习 kmeans sklearn 聚类

本文链接：https://blog.youkuaiyun.com/weixin_43776305/article/details/121519176

版权

本文介绍了如何在不考虑实际需求的情况下评估KMeans模型，主要探讨了inertia指标和轮廓系数(silhouette_score)。inertia越小表示样本到质心的总距离越短，但其值的降低可能由于簇数量增加导致，并非理想评估标准。而轮廓系数结合了簇内差异和簇间差异，取值范围在-1到1之间，值越接近1表明聚类效果越好，是更优的评估指标。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

引言

前面介绍了KMeans的基础知识。了解了KMeans的基础用法。但是具体需要怎么来评估我们的模型还是一个未知数。今天这节我们会介绍再不考虑实际需求的情况下来评估我们的KMeans模型。实际的应用中是按照我们的需求来评估模型聚类效果的。

数据准备

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

import warnings
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt

%matplotlib inline
warnings.filterwarnings("ignore") # 忽略警告

# 创建数据集
X, y = make_blobs(n_samples = 500, n_features=2, centers=5, random_state=1)
plt.scatter(X

最低0.47元/天解锁文章