sklearn.metrics.silhouette_samples¶
sklearn.metrics.silhouette_samples(X, labels, *, metric='euclidean', **kwds)
计算每个样本的轮廓系数。
轮廓系数是衡量样本与自身相似的样本聚类程度的方法。具有高轮廓系数的聚类模型被认为是密集的，其中同一聚类中的样本彼此相似，并且很好地分离，其中不同聚类中的样本彼此不太相似。
使用每个样本的平均集群内距离（a）和平均最近集群距离（b）计算轮廓系数。样本的轮廓系数为（b-a）/ max（a，b）。请注意，仅当标签数为2 <= n_labels <= n_samples-1时，才定义轮廓系数。
此函数返回每个样本的轮廓系数。
最佳值为1，最差值为-1。接近0的值表示重叠的群集。
在用户指南中阅读更多内容。
| 参数 | 说明 |
|---|---|
| X | array [n_samples_a, n_samples_a] if metric == “precomputed”, or, [n_samples_a, n_features] otherwise 样本之间的成对距离或特征数组。 |
| labels | array, shape = [n_samples] 每个样本的标签值 |
| metric | string, or callable 计算特征阵列中实例之间的距离时使用的度量。如果metric是字符串，则它必须是sklearn.metrics.pairwise.pairwise_distances允许的选项之一。如果X是距离数组本身，则使用“预计算”作为度量。预先计算的距离矩阵沿对角线必须为0。 |
| **kwds | optional keyword parameters 任何其他参数都直接传递给距离函数。如果使用scipy.spatial.distance度量，则参数仍取决于度量。有关用法示例，请参见scipy文档。 |
| 返回值 | 说明 |
|---|---|
| silhouette | array, shape = [n_samples] 每个样本的轮廓系数。 |
参考
