sklearn.metrics.davies_bouldin_score¶
sklearn.metrics.davies_bouldin_score(X, labels)
计算Davies-Bouldin分数。
分数定义为每个群集与其最相似群集的平均相似性度量，其中相似度是群集内距离与群集间距离的比率。因此，距离更远且分散程度较低的群集将获得更好的分数。
最低分数为零，值越低表示聚类越好。
在用户指南中阅读更多内容。
0.20版中的新功能。
| 参数 | 说明 |
|---|---|
| X | array-like, shape (n_samples, n_features)n_features维数据点列表。每行对应一个数据点。 |
| labels | array-like, shape (n_samples,)每个样本的预测标签。 |
| 返回值 | 说明 |
|---|---|
| score | float 所得的Davies-Bouldin得分。 |
参考
1 Davies, David L.; Bouldin, Donald W. (1979). “A Cluster Separation Measure”. IEEE Transactions on Pattern Analysis and Machine Intelligence. PAMI-1 (2): 224-227
