參考：http://scikit-learn.org/stable/modules/clustering.html#clustering-performance-evaluation

1、蘭德指數(shù)

from sklearn import metrics labels_true = [0, 0, 0, 1, 1, 1] labels_pred = [0, 0, 1, 1, 2, 2]print (metrics.adjusted_rand_score(labels_true, labels_pred))

2、互信息

from sklearn import metrics labels_true = [0, 0, 0, 1, 1, 1] labels_pred = [0, 0, 1, 1, 2, 2] print (metrics.adjusted_mutual_info_score(labels_true, labels_pred) )

3、Homogeneity, completeness and V-measure

同質(zhì)性homogeneity：每個(gè)群集只包含單個(gè)類的成員。
完整性completeness：給定類的所有成員都分配給同一個(gè)群集。
兩者的調(diào)和平均V-measure。

from sklearn import metrics labels_true = [0, 0, 0, 1, 1, 1] labels_pred = [0, 0, 1, 1, 2, 2] print (metrics.homogeneity_score(labels_true, labels_pred)) print (metrics.completeness_score(labels_true, labels_pred)) print (metrics.v_measure_score(labels_true, labels_pred))
4、Fowlkes-Mallows scores

from sklearn import metrics labels_true = [0, 0, 0, 1, 1, 1] labels_pred = [0, 0, 1, 1, 2, 2] print (metrics.fowlkes_mallows_score(labels_true, labels_pred))
5、Silhouette Coefficient 輪廓系數(shù)

參考：

http://blog.csdn.net/fjssharpsword/article/details/79161570

6、Calinski-Harabaz Index

類別內(nèi)部數(shù)據(jù)的協(xié)方差越小越好，類別之間的協(xié)方差越大越好，這樣的Calinski-Harabasz分?jǐn)?shù)會(huì)高。

《新程序員》：云原生和全面數(shù)字化實(shí)踐50位技術(shù)專家共同創(chuàng)作，文字、視頻、音頻交互閱讀

總結(jié)

以上是生活随笔為你收集整理的【Python-ML】聚类的性能评价指标的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。