轮廓配准（python如何获取最优轮廓系数）

如果想要最好的点  
    
    
，应该选择最高的点    
    
    。

1  
    
    
、通过设置不同的k值来测试和计算轮廓系数

     


     


    ，可以获得最佳k值对应的最佳轮廓系数   


     


     


。

2

     


     


    、也可以绘图观察和选择最高



 




 




。但为了防止拟合现象 




 




 


，也可以通过手肘选择最佳k值   

   

   。

实例

fromsklearn.clusterimportKMeans fromsklearn.preprocessingimportMaxAbsScaler#小数定标标准化 fromsklearn.preprocessingimportMinMaxScaler#离差标准化 fromsklearn.preprocessingimportStandardScaler#标准差标准化 #评估指标-----轮廓系数 fromsklearn.metricsimportsilhouetee_score #由于是聚类算法  

   

   

，数据可能存在量纲

     

     

   ，需要标准化  




  




  

，在使用算法之前 #实例化 sca=MaxAbsScaler() sca=MinMaxScaler() sca=StandardScaler() #拟合 sca.fit(训练集特征) #处理数据 X_train=sca.transform(训练集特征) #实例化 km=KMeans() #参数： #n_clusters=3  


  


  


，表示k=3
     
     
  ，也就是随机三个聚类中心
   




   




   
，最小值是2 #init 



 



 



，聚类中心初始化方法            ，默认k-means++ #max_iter

    




    




    ，迭代次数














，默认300            ，如果后期无法收敛可以尝试增加迭代次数 #random_state=1

     



     



     ，随机种子













，默认是None #拟合 km.fit(训练集特征) #查看聚类中心 print(聚类中心：,km.cluster_centers_) #查看预测结果 #可以直接传入训练集  
    
    
，也可以传入自定义二维数组 y_pred=km.predict(训练集特征) print(整个数据的类别：,y_pred) #查看SSE---误差平方和 #默认是取反操作

     


     


    ，大多数情况得出来的是负值【-inf,0】 #绝对值越小越好 score=km.score(X_train,y_pred) print(SSE,score) #评估指标----轮廓系数(-1,1) 




 




 


，越大越好 print(轮廓系数：,silhouetee_score(X_train,y_pred))

以上就是python获取最优轮廓系数的方法  

   

   

，希望对大家有所帮助    

     

     

。更多Python学习指路：Python基础教程