聚类算法评估指南5个核心指标的Python实现与实战解析当数据科学家面对无标签数据集时聚类分析往往成为探索数据内在结构的首选工具。但如何判断聚类结果的质量本文将深入解析五种核心评估指标并提供可直接复用的Python代码实现帮助您从数学原理到工程实践全面掌握聚类评估技术。1. 聚类评估的核心挑战与指标分类在无监督学习中聚类质量评估始终是一个开放性问题。与分类任务不同我们缺乏真实标签作为评判标准这使得评估过程需要更精巧的设计。优秀的评估指标应当能够同时反映两个关键维度簇内紧密度同一簇中样本的相似程度簇间分离度不同簇之间的差异程度根据评估方式的不同我们可以将聚类评估指标分为三类评估类型代表指标是否需要基准标签内部评估轮廓系数、Calinski-Harabasz否外部评估调整兰德指数、互信息是相对评估肘部法则、Gap统计量否本文将重点介绍五种最常用的内部评估指标它们不依赖真实标签适用于大多数实际场景。以下是各指标的关键特性对比import pandas as pd metrics_comparison pd.DataFrame({ 指标名称: [轮廓系数, RMSSTD, R方, 改进的Hubert Γ, Calinski-Harabasz], 评估维度: [紧密度分离度, 紧密度, 分离度, 分离度, 紧密度分离度], 值域范围: [[-1,1], [0,∞), [0,1], [0,∞), [0,∞)], 计算复杂度: [O(n²), O(n), O(n), O(n²), O(n)], 最佳方向: [越大越好, 越小越好, 越大越好, 越大越好, 越大越好] }) print(metrics_comparison)2. 轮廓系数个体与整体的平衡艺术轮廓系数(Silhouette Coefficient)是最直观的评估指标之一它同时考虑了个体样本与所属簇的契合度以及与其他簇的分离度。其计算过程分为三个步骤计算样本i到同簇其他样本的平均距离a(i)簇内不相似度计算样本i到其他各簇样本的最小平均距离b(i)簇间不相似度根据a(i)和b(i)计算样本i的轮廓系数$$ s(i) \frac{b(i) - a(i)}{\max[a(i), b(i)]} $$Python实现示例from sklearn.metrics import silhouette_samples import numpy as np def silhouette_analysis(X, labels): 轮廓系数深度分析函数 参数 X : 二维数组形状为(n_samples, n_features) labels : 一维数组聚类结果标签 返回 各样本轮廓系数及全局平均值 silhouette_vals silhouette_samples(X, labels) cluster_labels np.unique(labels) n_clusters len(cluster_labels) # 可视化各簇轮廓系数分布 plt.figure(figsize(10,6)) y_lower 10 for i in range(n_clusters): ith_cluster_silhouette_vals silhouette_vals[labels i] ith_cluster_silhouette_vals.sort() size_cluster_i ith_cluster_silhouette_vals.shape[0] y_upper y_lower size_cluster_i color plt.cm.nipy_spectral(float(i) / n_clusters) plt.fill_betweenx(np.arange(y_lower, y_upper), 0, ith_cluster_silhouette_vals, facecolorcolor, edgecolorcolor, alpha0.7) plt.text(-0.05, y_lower 0.5 * size_cluster_i, str(i)) y_lower y_upper 10 avg_score np.mean(silhouette_vals) plt.axvline(xavg_score, colorred, linestyle--) plt.title(Silhouette Plot for Various Clusters) plt.xlabel(Silhouette Coefficient Values) plt.ylabel(Cluster Label) return silhouette_vals, avg_score提示轮廓系数接近1表示样本被分配到合适的簇接近-1表示可能被分配到错误的簇0值则表明样本位于两个簇的边界区域。3. RMSSTD量化簇内同质性均方根标准偏差(Root Mean Square Standard Deviation)是衡量簇内紧密度的经典指标特别适用于评估基于质心的聚类算法如K-means。其数学定义为$$ RMSSTD \sqrt{\frac{\sum_{i1}^{k}\sum_{x\in C_i} |x-c_i|^2}{P \times \sum_{i1}^{k}(n_i-1)}} $$其中$C_i$表示第i个簇$c_i$是该簇的质心$n_i$是簇$C_i$的样本数$P$是特征维度数Python实现代码def calculate_rmsstd(X, labels, centers): 计算RMSSTD指标 参数 X : 原始数据矩阵 labels : 聚类标签 centers : 各簇中心点坐标 返回 RMSSTD值 total_sum 0.0 n_samples, n_features X.shape unique_labels np.unique(labels) for k in unique_labels: cluster_points X[labels k] n_k cluster_points.shape[0] if n_k 1: continue # 单点簇不贡献方差 sum_sq np.sum((cluster_points - centers[k])**2) total_sum sum_sq / (n_k - 1) denominator n_features * (n_samples - len(unique_labels)) return np.sqrt(total_sum / denominator)RMSSTD值越小表示簇内样本的变异程度越低聚类结果越理想。该指标对特征尺度敏感建议在计算前对数据进行标准化处理。4. R方统计量解释方差的比例R方(R-Squared)统计量衡量聚类结果对原始数据方差的解释比例其概念类似于回归分析中的决定系数。定义如下$$ RS \frac{\sum_{x\in D} |x - c|^2 - \sum_{i1}^{k}\sum_{x\in C_i} |x - c_i|^2}{\sum_{x\in D} |x - c|^2} $$其中$c$是整个数据集的中心点。RS值域为[0,1]越接近1表示聚类结果越好。实现代码示例def r_squared(X, labels, centers): 计算R方统计量 参数 X : 原始数据矩阵 labels : 聚类标签 centers : 各簇中心点 返回 R方值 global_center np.mean(X, axis0) total_ss np.sum((X - global_center)**2) within_ss 0.0 for k in np.unique(labels): cluster_points X[labels k] within_ss np.sum((cluster_points - centers[k])**2) return (total_ss - within_ss) / total_ss5. 改进的Hubert Γ统计量改进的Hubert Γ统计量通过比较样本间距离与簇中心间距离的一致性来评估聚类质量。其定义为$$ \Gamma \frac{2}{n(n-1)} \sum_{i1}^{n-1}\sum_{ji1}^{n} d(x_i,x_j) \cdot d(c_i,c_j) $$其中$d(x_i,x_j)$是样本$x_i$和$x_j$之间的距离$d(c_i,c_j)$是它们所属簇中心之间的距离。Python实现from scipy.spatial.distance import pdist, squareform def hubert_gamma(X, labels, centers): 计算改进的Hubert Γ统计量 参数 X : 原始数据矩阵 labels : 聚类标签 centers : 各簇中心点 返回 Γ统计量值 n_samples X.shape[0] point_dist squareform(pdist(X)) # 构建簇中心距离矩阵 center_dist np.zeros((n_samples, n_samples)) for i in range(n_samples): for j in range(n_samples): center_dist[i,j] np.linalg.norm(centers[labels[i]] - centers[labels[j]]) # 仅使用上三角矩阵不含对角线 mask np.triu_indices(n_samples, k1) point_dist_vec point_dist[mask] center_dist_vec center_dist[mask] # 标准化处理 point_dist_vec (point_dist_vec - np.mean(point_dist_vec)) / np.std(point_dist_vec) center_dist_vec (center_dist_vec - np.mean(center_dist_vec)) / np.std(center_dist_vec) return np.corrcoef(point_dist_vec, center_dist_vec)[0,1]Γ值越大表示聚类结果与样本原始距离结构的一致性越高通常优于0.7认为聚类质量较好。6. Calinski-Harabasz指数方差比准则Calinski-Harabasz指数又称方差比准则通过计算簇间离散度与簇内离散度的比值来评估聚类质量$$ CH \frac{tr(B_k)/(k-1)}{tr(W_k)/(n-k)} $$其中$B_k$是簇间离散度矩阵$W_k$是簇内离散度矩阵$k$是簇数量$n$是样本总数实现代码def calinski_harabasz(X, labels): 计算Calinski-Harabasz指数 参数 X : 原始数据矩阵 labels : 聚类标签 返回 CH指数值 n_samples, _ X.shape n_clusters len(np.unique(labels)) global_center np.mean(X, axis0) # 计算簇间离散度 B_k 0 centers [] for k in range(n_clusters): cluster_points X[labels k] n_k cluster_points.shape[0] center np.mean(cluster_points, axis0) centers.append(center) B_k n_k * np.sum((center - global_center)**2) # 计算簇内离散度 W_k 0 for k in range(n_clusters): cluster_points X[labels k] W_k np.sum((cluster_points - centers[k])**2) if W_k 0: return float(inf) return (B_k / (n_clusters - 1)) / (W_k / (n_samples - n_clusters))注意CH指数对簇数量敏感当k接近n时会出现不合理的大值因此更适合用于比较相同数据集不同聚类方案的质量。7. 综合评估框架与指标选择指南在实际项目中我们往往需要综合多个指标来全面评估聚类质量。以下是一个实用的评估框架实现from sklearn.preprocessing import StandardScaler class ClusterEvaluator: def __init__(self, X, normalizeTrue): if normalize: self.scaler StandardScaler() self.X self.scaler.fit_transform(X) else: self.X X def evaluate(self, labels, centersNone): results {} # 计算轮廓系数 results[Silhouette] np.mean(silhouette_samples(self.X, labels)) # 计算RMSSTD需要中心点 if centers is not None: results[RMSSTD] calculate_rmsstd(self.X, labels, centers) else: results[RMSSTD] None # 计算R方需要中心点 if centers is not None: results[R_Squared] r_squared(self.X, labels, centers) else: results[R_Squared] None # 计算Calinski-Harabasz results[Calinski_Harabasz] calinski_harabasz(self.X, labels) # 计算Hubert Γ需要中心点 if centers is not None: results[Hubert_Gamma] hubert_gamma(self.X, labels, centers) else: results[Hubert_Gamma] None return results针对不同场景的指标选择建议高维数据优先考虑轮廓系数和Hubert Γ它们对维度不敏感凸形簇RMSSTD和Calinski-Harabasz表现更好噪声数据轮廓系数和R方更具鲁棒性密度变化大的簇避免单独使用RMSSTD以下是一个典型的使用示例from sklearn.cluster import KMeans from sklearn.datasets import make_blobs # 生成模拟数据 X, y make_blobs(n_samples500, centers3, n_features2, random_state42) # 聚类并评估 kmeans KMeans(n_clusters3, random_state42) labels kmeans.fit_predict(X) centers kmeans.cluster_centers_ evaluator ClusterEvaluator(X) results evaluator.evaluate(labels, centers) print(评估结果) for metric, value in results.items(): print(f{metric}: {value:.4f})8. 高级技巧与实战建议在实际应用中我们发现以下技巧能显著提升评估效果多指标融合策略对各项指标进行min-max归一化根据业务需求设置权重如紧密度权重0.6分离度权重0.4计算加权综合得分动态可视化分析def plot_metrics_vs_k(X, max_k10): 绘制不同k值下的指标变化曲线 k_values range(2, max_k1) silhouette_scores [] ch_scores [] for k in k_values: kmeans KMeans(n_clustersk, random_state42) labels kmeans.fit_predict(X) silhouette_scores.append(silhouette_score(X, labels)) ch_scores.append(calinski_harabasz(X, labels)) # 归一化处理 silhouette_norm (silhouette_scores - np.min(silhouette_scores)) / \ (np.max(silhouette_scores) - np.min(silhouette_scores)) ch_norm (ch_scores - np.min(ch_scores)) / \ (np.max(ch_scores) - np.min(ch_scores)) plt.figure(figsize(12,5)) plt.plot(k_values, silhouette_norm, bo-, labelSilhouette Score) plt.plot(k_values, ch_norm, go-, labelCalinski-Harabasz Index) plt.xlabel(Number of clusters) plt.ylabel(Normalized Score) plt.title(Cluster Evaluation Metrics vs Number of Clusters) plt.legend() plt.grid(True) plt.show()处理非球形簇的评估技巧先使用t-SNE或UMAP降维在低维空间计算密度自适应距离采用基于密度的评估指标变体超参数调优框架from sklearn.model_selection import ParameterGrid def optimize_clustering(X, model, param_grid, n_trials10): 聚类超参数优化框架 参数 X : 输入数据 model : 聚类模型类 param_grid : 参数网格 n_trials : 每种参数组合的试验次数 返回 最佳参数组合和评估结果 best_score -np.inf best_params None evaluator ClusterEvaluator(X) for params in ParameterGrid(param_grid): trial_scores [] for _ in range(n_trials): clusterer model(**params) labels clusterer.fit_predict(X) # 获取中心点如果模型支持 centers getattr(clusterer, cluster_centers_, None) results evaluator.evaluate(labels, centers) composite_score 0.4*results[Silhouette] 0.3*results[Calinski_Harabasz] 0.3*(1-results[RMSSTD]) trial_scores.append(composite_score) avg_score np.mean(trial_scores) if avg_score best_score: best_score avg_score best_params params return best_params, best_score在真实业务场景中我曾遇到一个用户分群项目原始数据包含200多个行为特征。通过综合运用上述评估方法我们发现当k5时虽然轮廓系数最高但结合业务解释性最终选择了k4的方案。这种技术指标与业务认知的平衡正是聚类评估的艺术所在。
聚类算法评估指南：5个核心指标（轮廓系数/RMSSTD等）的Python实现
发布时间：2026/7/6 11:55:05
聚类算法评估指南5个核心指标的Python实现与实战解析当数据科学家面对无标签数据集时聚类分析往往成为探索数据内在结构的首选工具。但如何判断聚类结果的质量本文将深入解析五种核心评估指标并提供可直接复用的Python代码实现帮助您从数学原理到工程实践全面掌握聚类评估技术。1. 聚类评估的核心挑战与指标分类在无监督学习中聚类质量评估始终是一个开放性问题。与分类任务不同我们缺乏真实标签作为评判标准这使得评估过程需要更精巧的设计。优秀的评估指标应当能够同时反映两个关键维度簇内紧密度同一簇中样本的相似程度簇间分离度不同簇之间的差异程度根据评估方式的不同我们可以将聚类评估指标分为三类评估类型代表指标是否需要基准标签内部评估轮廓系数、Calinski-Harabasz否外部评估调整兰德指数、互信息是相对评估肘部法则、Gap统计量否本文将重点介绍五种最常用的内部评估指标它们不依赖真实标签适用于大多数实际场景。以下是各指标的关键特性对比import pandas as pd metrics_comparison pd.DataFrame({ 指标名称: [轮廓系数, RMSSTD, R方, 改进的Hubert Γ, Calinski-Harabasz], 评估维度: [紧密度分离度, 紧密度, 分离度, 分离度, 紧密度分离度], 值域范围: [[-1,1], [0,∞), [0,1], [0,∞), [0,∞)], 计算复杂度: [O(n²), O(n), O(n), O(n²), O(n)], 最佳方向: [越大越好, 越小越好, 越大越好, 越大越好, 越大越好] }) print(metrics_comparison)2. 轮廓系数个体与整体的平衡艺术轮廓系数(Silhouette Coefficient)是最直观的评估指标之一它同时考虑了个体样本与所属簇的契合度以及与其他簇的分离度。其计算过程分为三个步骤计算样本i到同簇其他样本的平均距离a(i)簇内不相似度计算样本i到其他各簇样本的最小平均距离b(i)簇间不相似度根据a(i)和b(i)计算样本i的轮廓系数$$ s(i) \frac{b(i) - a(i)}{\max[a(i), b(i)]} $$Python实现示例from sklearn.metrics import silhouette_samples import numpy as np def silhouette_analysis(X, labels): 轮廓系数深度分析函数 参数 X : 二维数组形状为(n_samples, n_features) labels : 一维数组聚类结果标签 返回 各样本轮廓系数及全局平均值 silhouette_vals silhouette_samples(X, labels) cluster_labels np.unique(labels) n_clusters len(cluster_labels) # 可视化各簇轮廓系数分布 plt.figure(figsize(10,6)) y_lower 10 for i in range(n_clusters): ith_cluster_silhouette_vals silhouette_vals[labels i] ith_cluster_silhouette_vals.sort() size_cluster_i ith_cluster_silhouette_vals.shape[0] y_upper y_lower size_cluster_i color plt.cm.nipy_spectral(float(i) / n_clusters) plt.fill_betweenx(np.arange(y_lower, y_upper), 0, ith_cluster_silhouette_vals, facecolorcolor, edgecolorcolor, alpha0.7) plt.text(-0.05, y_lower 0.5 * size_cluster_i, str(i)) y_lower y_upper 10 avg_score np.mean(silhouette_vals) plt.axvline(xavg_score, colorred, linestyle--) plt.title(Silhouette Plot for Various Clusters) plt.xlabel(Silhouette Coefficient Values) plt.ylabel(Cluster Label) return silhouette_vals, avg_score提示轮廓系数接近1表示样本被分配到合适的簇接近-1表示可能被分配到错误的簇0值则表明样本位于两个簇的边界区域。3. RMSSTD量化簇内同质性均方根标准偏差(Root Mean Square Standard Deviation)是衡量簇内紧密度的经典指标特别适用于评估基于质心的聚类算法如K-means。其数学定义为$$ RMSSTD \sqrt{\frac{\sum_{i1}^{k}\sum_{x\in C_i} |x-c_i|^2}{P \times \sum_{i1}^{k}(n_i-1)}} $$其中$C_i$表示第i个簇$c_i$是该簇的质心$n_i$是簇$C_i$的样本数$P$是特征维度数Python实现代码def calculate_rmsstd(X, labels, centers): 计算RMSSTD指标 参数 X : 原始数据矩阵 labels : 聚类标签 centers : 各簇中心点坐标 返回 RMSSTD值 total_sum 0.0 n_samples, n_features X.shape unique_labels np.unique(labels) for k in unique_labels: cluster_points X[labels k] n_k cluster_points.shape[0] if n_k 1: continue # 单点簇不贡献方差 sum_sq np.sum((cluster_points - centers[k])**2) total_sum sum_sq / (n_k - 1) denominator n_features * (n_samples - len(unique_labels)) return np.sqrt(total_sum / denominator)RMSSTD值越小表示簇内样本的变异程度越低聚类结果越理想。该指标对特征尺度敏感建议在计算前对数据进行标准化处理。4. R方统计量解释方差的比例R方(R-Squared)统计量衡量聚类结果对原始数据方差的解释比例其概念类似于回归分析中的决定系数。定义如下$$ RS \frac{\sum_{x\in D} |x - c|^2 - \sum_{i1}^{k}\sum_{x\in C_i} |x - c_i|^2}{\sum_{x\in D} |x - c|^2} $$其中$c$是整个数据集的中心点。RS值域为[0,1]越接近1表示聚类结果越好。实现代码示例def r_squared(X, labels, centers): 计算R方统计量 参数 X : 原始数据矩阵 labels : 聚类标签 centers : 各簇中心点 返回 R方值 global_center np.mean(X, axis0) total_ss np.sum((X - global_center)**2) within_ss 0.0 for k in np.unique(labels): cluster_points X[labels k] within_ss np.sum((cluster_points - centers[k])**2) return (total_ss - within_ss) / total_ss5. 改进的Hubert Γ统计量改进的Hubert Γ统计量通过比较样本间距离与簇中心间距离的一致性来评估聚类质量。其定义为$$ \Gamma \frac{2}{n(n-1)} \sum_{i1}^{n-1}\sum_{ji1}^{n} d(x_i,x_j) \cdot d(c_i,c_j) $$其中$d(x_i,x_j)$是样本$x_i$和$x_j$之间的距离$d(c_i,c_j)$是它们所属簇中心之间的距离。Python实现from scipy.spatial.distance import pdist, squareform def hubert_gamma(X, labels, centers): 计算改进的Hubert Γ统计量 参数 X : 原始数据矩阵 labels : 聚类标签 centers : 各簇中心点 返回 Γ统计量值 n_samples X.shape[0] point_dist squareform(pdist(X)) # 构建簇中心距离矩阵 center_dist np.zeros((n_samples, n_samples)) for i in range(n_samples): for j in range(n_samples): center_dist[i,j] np.linalg.norm(centers[labels[i]] - centers[labels[j]]) # 仅使用上三角矩阵不含对角线 mask np.triu_indices(n_samples, k1) point_dist_vec point_dist[mask] center_dist_vec center_dist[mask] # 标准化处理 point_dist_vec (point_dist_vec - np.mean(point_dist_vec)) / np.std(point_dist_vec) center_dist_vec (center_dist_vec - np.mean(center_dist_vec)) / np.std(center_dist_vec) return np.corrcoef(point_dist_vec, center_dist_vec)[0,1]Γ值越大表示聚类结果与样本原始距离结构的一致性越高通常优于0.7认为聚类质量较好。6. Calinski-Harabasz指数方差比准则Calinski-Harabasz指数又称方差比准则通过计算簇间离散度与簇内离散度的比值来评估聚类质量$$ CH \frac{tr(B_k)/(k-1)}{tr(W_k)/(n-k)} $$其中$B_k$是簇间离散度矩阵$W_k$是簇内离散度矩阵$k$是簇数量$n$是样本总数实现代码def calinski_harabasz(X, labels): 计算Calinski-Harabasz指数 参数 X : 原始数据矩阵 labels : 聚类标签 返回 CH指数值 n_samples, _ X.shape n_clusters len(np.unique(labels)) global_center np.mean(X, axis0) # 计算簇间离散度 B_k 0 centers [] for k in range(n_clusters): cluster_points X[labels k] n_k cluster_points.shape[0] center np.mean(cluster_points, axis0) centers.append(center) B_k n_k * np.sum((center - global_center)**2) # 计算簇内离散度 W_k 0 for k in range(n_clusters): cluster_points X[labels k] W_k np.sum((cluster_points - centers[k])**2) if W_k 0: return float(inf) return (B_k / (n_clusters - 1)) / (W_k / (n_samples - n_clusters))注意CH指数对簇数量敏感当k接近n时会出现不合理的大值因此更适合用于比较相同数据集不同聚类方案的质量。7. 综合评估框架与指标选择指南在实际项目中我们往往需要综合多个指标来全面评估聚类质量。以下是一个实用的评估框架实现from sklearn.preprocessing import StandardScaler class ClusterEvaluator: def __init__(self, X, normalizeTrue): if normalize: self.scaler StandardScaler() self.X self.scaler.fit_transform(X) else: self.X X def evaluate(self, labels, centersNone): results {} # 计算轮廓系数 results[Silhouette] np.mean(silhouette_samples(self.X, labels)) # 计算RMSSTD需要中心点 if centers is not None: results[RMSSTD] calculate_rmsstd(self.X, labels, centers) else: results[RMSSTD] None # 计算R方需要中心点 if centers is not None: results[R_Squared] r_squared(self.X, labels, centers) else: results[R_Squared] None # 计算Calinski-Harabasz results[Calinski_Harabasz] calinski_harabasz(self.X, labels) # 计算Hubert Γ需要中心点 if centers is not None: results[Hubert_Gamma] hubert_gamma(self.X, labels, centers) else: results[Hubert_Gamma] None return results针对不同场景的指标选择建议高维数据优先考虑轮廓系数和Hubert Γ它们对维度不敏感凸形簇RMSSTD和Calinski-Harabasz表现更好噪声数据轮廓系数和R方更具鲁棒性密度变化大的簇避免单独使用RMSSTD以下是一个典型的使用示例from sklearn.cluster import KMeans from sklearn.datasets import make_blobs # 生成模拟数据 X, y make_blobs(n_samples500, centers3, n_features2, random_state42) # 聚类并评估 kmeans KMeans(n_clusters3, random_state42) labels kmeans.fit_predict(X) centers kmeans.cluster_centers_ evaluator ClusterEvaluator(X) results evaluator.evaluate(labels, centers) print(评估结果) for metric, value in results.items(): print(f{metric}: {value:.4f})8. 高级技巧与实战建议在实际应用中我们发现以下技巧能显著提升评估效果多指标融合策略对各项指标进行min-max归一化根据业务需求设置权重如紧密度权重0.6分离度权重0.4计算加权综合得分动态可视化分析def plot_metrics_vs_k(X, max_k10): 绘制不同k值下的指标变化曲线 k_values range(2, max_k1) silhouette_scores [] ch_scores [] for k in k_values: kmeans KMeans(n_clustersk, random_state42) labels kmeans.fit_predict(X) silhouette_scores.append(silhouette_score(X, labels)) ch_scores.append(calinski_harabasz(X, labels)) # 归一化处理 silhouette_norm (silhouette_scores - np.min(silhouette_scores)) / \ (np.max(silhouette_scores) - np.min(silhouette_scores)) ch_norm (ch_scores - np.min(ch_scores)) / \ (np.max(ch_scores) - np.min(ch_scores)) plt.figure(figsize(12,5)) plt.plot(k_values, silhouette_norm, bo-, labelSilhouette Score) plt.plot(k_values, ch_norm, go-, labelCalinski-Harabasz Index) plt.xlabel(Number of clusters) plt.ylabel(Normalized Score) plt.title(Cluster Evaluation Metrics vs Number of Clusters) plt.legend() plt.grid(True) plt.show()处理非球形簇的评估技巧先使用t-SNE或UMAP降维在低维空间计算密度自适应距离采用基于密度的评估指标变体超参数调优框架from sklearn.model_selection import ParameterGrid def optimize_clustering(X, model, param_grid, n_trials10): 聚类超参数优化框架 参数 X : 输入数据 model : 聚类模型类 param_grid : 参数网格 n_trials : 每种参数组合的试验次数 返回 最佳参数组合和评估结果 best_score -np.inf best_params None evaluator ClusterEvaluator(X) for params in ParameterGrid(param_grid): trial_scores [] for _ in range(n_trials): clusterer model(**params) labels clusterer.fit_predict(X) # 获取中心点如果模型支持 centers getattr(clusterer, cluster_centers_, None) results evaluator.evaluate(labels, centers) composite_score 0.4*results[Silhouette] 0.3*results[Calinski_Harabasz] 0.3*(1-results[RMSSTD]) trial_scores.append(composite_score) avg_score np.mean(trial_scores) if avg_score best_score: best_score avg_score best_params params return best_params, best_score在真实业务场景中我曾遇到一个用户分群项目原始数据包含200多个行为特征。通过综合运用上述评估方法我们发现当k5时虽然轮廓系数最高但结合业务解释性最终选择了k4的方案。这种技术指标与业务认知的平衡正是聚类评估的艺术所在。
