什么才是好的剪影分数？

Question

我目前正在做一些基于单词嵌入的聚类，并且我正在使用一些方法（elbow 和 David-Boulding）来确定我应该考虑的最佳聚类数量。此外，我还考虑了轮廓的衡量标准。如果我理解正确的话，它是衡量数据与正确簇的正确匹配程度的指标，范围从 - 1（不匹配）到 1（正确匹配）。

使用 kmeans 聚类，我获得了在 0.5 和 0.55 之间波动的轮廓分数。所以根据轮廓、肘法（有点太平滑了，但可能是因为我有很多数据）和 David-Bouldin 索引，我应该考虑 5 个簇。不过不知道0.5算不算好分呢？我添加了我所做的不同测量的图表、我用来生成它们的函数（在网上找到的）以及获得的聚类。

def check_clustering(X, K):
    sse,db,slc = {}, {}, {}
    for k in range(2, K):
        # seed of 10 for reproducibility.
        kmeans = KMeans(n_clusters=k, max_iter=1000,random_state=SEED).fit(X)
        if k == 3: labels = kmeans.labels_
        clusters = kmeans.labels_
        sse[k] = kmeans.inertia_ # Inertia: Sum of distances of samples to their closest cluster center
        db[k] = davies_bouldin_score(X,clusters)
        slc[k] = silhouette_score(X,clusters)


    plt.figure(figsize=(15,10))
    plt.plot(list(sse.keys()), list(sse.values()))
    plt.xlabel("Number of cluster")
    plt.ylabel("SSE")
    plt.show()

    plt.figure(figsize=(15,10))
    plt.plot(list(db.keys()), list(db.values()))
    plt.xlabel("Number of cluster")
    plt.ylabel("Davies-Bouldin values")
    plt.show()

    plt.figure(figsize=(15,10))
    plt.plot(list(slc.keys()), list(slc.values()))
    plt.xlabel("Number of cluster")
    plt.ylabel("Silhouette score")
    plt.show()

我对 k 均值聚类很陌生，主要遵循在线教程。有人可以告诉我通过不同措施（但主要是剪影）获得的分数是否正确？

谢谢您的回答。

（另外，还有一个附属问题，但我发现簇的形状有点奇怪（我希望它们更加分散）。它是簇的可能形状吗？（请注意，我使用 PCA 来减少维度，所以可能是因为这个）。 谢谢您的帮助。

Answer 1

我自己搜了一下。

轮廓得分为 1 意味着每个数据点不太可能被分配到另一个集群。

分数接近零意味着每个数据点可以轻松分配到另一个集群

分数接近 -1 表示数据点分类错误。

基于这些假设，我认为 0.55 仍然具有信息性，但不是确定的，因此您需要进行额外的分析才能根据您的数据做出任何断言。