聚类算法的性能指标是什么？
What are the performance metrics for Clustering Algorithms?
我正在研究 Kmeans 聚类，但与监督学习不同，我无法计算聚类算法的性能指标。训练数据后如何进行准确率？
对于kmeans你可以找到它的inertia_。这可以让您了解 kmeans 算法的效果如何。
kmeans = KMeans(...)
# Assuming you already have fitted data on it.
kmeans.inertia_ # lesser is better
或者，如果您调用 score() 函数，它会给您相同的结果，但符号将为负。正如我们假设更高的分数意味着更好，但对于 kmeans 较小的 inertia_ 更好。因此，为了使它们一致，对其应用了额外的否定。
# Call score with data X
kmeans.score(X) # greater is better
这是分析 kmeans 性能的最基本形式。实际上，如果你把集群的数量取得太高，score() 会相应增加（换句话说，inertia_ 会减少），因为 inertia_ 只不过是每个集群距离的平方和指向其对应的集群的质心，它被分配到哪个集群。因此，如果您过多地增加簇的数量，则总距离的平方和将减少，因为每个点的质心都非常接近它。虽然，在这种情况下，聚类的质量很糟糕。因此，为了更好地分析，您应该找出 silhouette score 或在这种情况下更好地使用 silhouette diagram。
您将在此笔记本中找到所有实现：09_unsupervised_learning.ipynb
与此存储库对应的书籍是：Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow, 2nd Edition。这是一本了解所有这些细节的好书。
我正在研究 Kmeans 聚类，但与监督学习不同，我无法计算聚类算法的性能指标。训练数据后如何进行准确率？
对于kmeans你可以找到它的inertia_。这可以让您了解 kmeans 算法的效果如何。
kmeans = KMeans(...)
# Assuming you already have fitted data on it.
kmeans.inertia_ # lesser is better
或者，如果您调用 score() 函数，它会给您相同的结果，但符号将为负。正如我们假设更高的分数意味着更好，但对于 kmeans 较小的 inertia_ 更好。因此，为了使它们一致，对其应用了额外的否定。
# Call score with data X
kmeans.score(X) # greater is better
这是分析 kmeans 性能的最基本形式。实际上，如果你把集群的数量取得太高，score() 会相应增加（换句话说，inertia_ 会减少），因为 inertia_ 只不过是每个集群距离的平方和指向其对应的集群的质心，它被分配到哪个集群。因此，如果您过多地增加簇的数量，则总距离的平方和将减少，因为每个点的质心都非常接近它。虽然，在这种情况下，聚类的质量很糟糕。因此，为了更好地分析，您应该找出 silhouette score 或在这种情况下更好地使用 silhouette diagram。
您将在此笔记本中找到所有实现：09_unsupervised_learning.ipynb
与此存储库对应的书籍是：Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow, 2nd Edition。这是一本了解所有这些细节的好书。