"""
聚类性能评估
1、Adjusted Rand index (ARI)
优点：
1.1 对任意数量的聚类中心和样本数，随机聚类的ARI都非常接近于0；
1.2 取值在［－1，1］之间，负数代表结果不好，越接近于1越好；
1.3 可用于聚类算法之间的比较
缺点：
1.4 ARI需要真实标签
"""
ARI_t.append(adjusted_rand_score(labels_true=y, labels_pred=y_pred))
"""
2、Mutual Information based scores (MI) 互信息
优点：除取值范围在［0，1］之间，其他同ARI；可用于聚类模型选择
缺点：需要先验知识
"""
AMI_t.append(adjusted_mutual_info_score(labels_true=y, labels_pred=y_pred))
"""
1.3 Homogeneity, completeness and V-measure
同质性homogeneity：每个群集只包含单个类的成员。
完整性completeness：给定类的所有成员都分配给同一个群集。
两者的调和平均V-measure
"""
H_t.append(homogeneity_score(y, y_pred))
C_t.append(completeness_score(y, y_pred))
V_t.append(v_measure_score(y, y_pred))
'''
Calinski-Harabaz Index
这个计算简单直接，得到的Calinski-Harabasz分数值ss越大则聚类效果越好
类别内部数据的协方差越小越好，类别之间的协方差越大越好，这样的Calinski-Harabasz分数会高。
'''
CHI_t.append(calinski_harabaz_score(X, y_pred))2019-03-07-聚类性能评估
最后编辑于 ：
©著作权归作者所有,转载或内容合作请联系作者
- 文/潘晓璐 我一进店门，熙熙楼的掌柜王于贵愁眉苦脸地迎上来，“玉大人，你说我怎么就摊上这事。” “怎么了？”我有些...
- 文/花漫 我一把揭开白布。 她就那样静静地躺着，像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上，一...
- 文/苍兰香墨 我猛地睁开眼，长吁一口气：“原来是场噩梦啊……” “哼！你这毒妇竟也来了？” 一声冷哼从身侧响起，我...
