這篇文章主要介紹了python怎么獲取最優(yōu)輪廓系數(shù)，具有一定借鑒價值，感興趣的朋友可以參考下，希望大家閱讀完這篇文章之后大有收獲，下面讓小編帶著大家一起了解一下。

梁山網(wǎng)站建設(shè)公司創(chuàng)新互聯(lián)公司,梁山網(wǎng)站設(shè)計制作，有大型網(wǎng)站制作公司豐富經(jīng)驗。已為梁山上千提供企業(yè)網(wǎng)站建設(shè)服務(wù)。企業(yè)網(wǎng)站搭建\成都外貿(mào)網(wǎng)站建設(shè)公司要多少錢，請找那個售后服務(wù)好的梁山做網(wǎng)站的公司定做！

如果想要最好的點，應(yīng)該選擇最高的點。

1、通過設(shè)置不同的k值來測試和計算輪廓系數(shù)，可以獲得最佳k值對應(yīng)的最佳輪廓系數(shù)，

2、也可以繪圖觀察和選擇最高。但為了防止擬合現(xiàn)象，也可以通過手肘選擇最佳k值。

實例

from sklearn.cluster import KMeans
from sklearn.preprocessing import MaxAbsScaler  # 小數(shù)定標(biāo)標(biāo)準(zhǔn)化
from sklearn.preprocessing import MinMaxScaler  # 離差標(biāo)準(zhǔn)化
from sklearn.preprocessing import StandardScaler  # 標(biāo)準(zhǔn)差標(biāo)準(zhǔn)化
# 評估指標(biāo)-----輪廓系數(shù)
from sklearn.metrics import silhouetee_score
 
# 由于是聚類算法，數(shù)據(jù)可能存在量綱，需要標(biāo)準(zhǔn)化，在使用算法之前
# 實例化
sca = MaxAbsScaler()
sca = MinMaxScaler()
sca = StandardScaler()
# 擬合
sca.fit( 訓(xùn)練集特征 )
# 處理數(shù)據(jù)
X_train = sca.transform( 訓(xùn)練集特征 )
 
 
# 實例化
km = KMeans()
# 參數(shù)：
# n_clusters=3，表示k=3，也就是隨機(jī)三個聚類中心，最小值是2
# init，聚類中心初始化方法，默認(rèn)k-means++
# max_iter，最大迭代次數(shù)，默認(rèn)300，如果后期無法收斂可以嘗試增加迭代次數(shù)
# random_state=1，隨機(jī)種子，默認(rèn)是None
 
# 擬合
km.fit( 訓(xùn)練集特征 )
 
# 查看聚類中心
print('聚類中心：', km.cluster_centers_)
 
# 查看預(yù)測結(jié)果
# 可以直接傳入訓(xùn)練集，也可以傳入自定義二維數(shù)組
y_pred = km.predict( 訓(xùn)練集特征 )
print('整個數(shù)據(jù)的類別：', y_pred)
 
# 查看SSE---誤差平方和
# 默認(rèn)是取反操作，大多數(shù)情況得出來的是負(fù)值【-inf, 0】
# 絕對值越小越好
score = km.score(X_train, y_pred)
print('SSE', score)
 
# 評估指標(biāo)----輪廓系數(shù)(-1, 1)，越大越好
print('輪廓系數(shù)：', silhouetee_score(X_train, y_pred))

感謝你能夠認(rèn)真閱讀完這篇文章，希望小編分享的“python怎么獲取最優(yōu)輪廓系數(shù)”這篇文章對大家有幫助，同時也希望大家多多支持創(chuàng)新互聯(lián)，關(guān)注創(chuàng)新互聯(lián)行業(yè)資訊頻道，更多相關(guān)知識等著你來學(xué)習(xí)!