由于集群的自动索引与真实标签不匹配，如何评估 K-Means 聚类？答案

【问题标题】：How to evaluate K-Means Clustering since automatic indexes of clusters don't match true labels?由于集群的自动索引与真实标签不匹配，如何评估 K-Means 聚类？
【发布时间】：2021-01-29 12:59:08
【问题描述】：

由于集群的自动索引可能是原始标签的排列，我们如何衡量 K-Means 聚类算法的准确性（例如，生成混淆矩阵）？

【问题讨论】：

能否添加示例代码？
sklearn 有专门的homogeneity_score 用于此类情况
@SergeyBushmanov 哦，这是完美的答案！谢谢！

标签： python scikit-learn cluster-analysis k-means multilabel-classification

【解决方案1】：

我也不完全明白你的意思。您的原始标签可能是基本事实标签。 k-means 提供的聚类结果通常是一个整数，其范围与您希望 k-means 算法给您的 k 个聚类一样多。

我通常使用pandas.crosstab 函数来可视化groundtruth 标记的本地化，使用kmeans 标记和交叉制表。

为了更好的可视化，您可能需要使用以下内容：

import seaborn as sns
import matplotlib.pyplot as plt

plt.figure(figsize=(30,10))

# plot the heatmap for correlation matrix
ax = sns.heatmap(crosstab_groundtruth_kmeans.T, 
                square=True, annot=True, fmt='.2f')

ax.set_yticklabels(
    ax.get_yticklabels(),
    rotation=0);

out:

祝你好运！~

【讨论】：

【解决方案2】：

k-means 是一种聚类（分组算法，不用于分类），因此无法检查和分析准确性。 k-means 的主要概念是找到一组数据点，使“簇间”距离最大化（并且没有标签的概念，因此您无法获得准确度矩阵）。更多见解：https://scikit-learn.org/stable/modules/clustering.html#k-means

必须使用sklearn.cluster.KMeans 中的predict 方法手动分析准确度（假设您希望可视化哪个集群由哪些数据点组成）。它基本上是“预测 X 中每个样本所属的最近聚类”。 (from documentation)

【讨论】：