Python 当使用k-均值聚类时，我能用calinski和hrabasz验证确定k吗？

我想使用python中的scikit包（metrics.calinski_-harabaz_score）中的calinski和harabasz验证自动选择k（k-means集群）

我循环遍历所有聚类范围，以选择calinski_harabaz_得分的最大值

    for kClusterCnt in range(2, 21) :
       value = metrics.calinski_harabaz_score(datasets.data, kmCls.labels_)

---

当我仅使用该方法时，是否存在任何缺陷或错误？

我认为您需要为每个集群编号调用kmeans fit。我合并了来自和您的代码的示例，如下所示

from sklearn import metrics
from sklearn.metrics import pairwise_distances
from sklearn import datasets
dataset = datasets.load_iris()
X = dataset.data
y = dataset.target
import numpy as np
from sklearn.cluster import KMeans
kmeans_model = KMeans(n_clusters=3, random_state=1).fit(X)
labels = kmeans_model.labels_
metrics.calinski_harabaz_score(X, labels)
for k in range(2, 21):
    kmeans_model = KMeans(n_clusters=k, random_state=1).fit(X)
    labels = kmeans_model.labels_
    labels = kmeans_model.labels_
    print k, metrics.calinski_harabaz_score(X, labels)

输出如下

2 513.303843352
3 560.399924247
4 529.120719084
5 494.094381914
6 474.517429587
7 448.871449442
8 436.613024881
9 414.530317405
10 390.646480599
11 368.89696343
12 357.194592002
13 342.732084105
14 344.610818724
15 337.809470535
16 324.972019063
17 322.825466107
18 314.587220111
19 306.64863559
20 316.905301605

---

根据这一结果，3个聚类中心是最好的。“3 560.399924247”。

我认为您需要为每个群集号码调用kmeans fit。我合并了来自和您的代码的示例，如下所示

from sklearn import metrics
from sklearn.metrics import pairwise_distances
from sklearn import datasets
dataset = datasets.load_iris()
X = dataset.data
y = dataset.target
import numpy as np
from sklearn.cluster import KMeans
kmeans_model = KMeans(n_clusters=3, random_state=1).fit(X)
labels = kmeans_model.labels_
metrics.calinski_harabaz_score(X, labels)
for k in range(2, 21):
    kmeans_model = KMeans(n_clusters=k, random_state=1).fit(X)
    labels = kmeans_model.labels_
    labels = kmeans_model.labels_
    print k, metrics.calinski_harabaz_score(X, labels)

输出如下

2 513.303843352
3 560.399924247
4 529.120719084
5 494.094381914
6 474.517429587
7 448.871449442
8 436.613024881
9 414.530317405
10 390.646480599
11 368.89696343
12 357.194592002
13 342.732084105
14 344.610818724
15 337.809470535
16 324.972019063
17 322.825466107
18 314.587220111
19 306.64863559
20 316.905301605

---

根据这一结果，3个聚类中心是最好的。“3560.39992447”。

记住，由于初始化阶段的随机性，k-均值是不确定的。这意味着您将得到一系列答案，并且您必须针对k的每个值对该范围进行采样，以获得该k的最佳拟合。这不是一蹴而就的

记住，由于初始化阶段的随机性，k-均值是不确定的。这意味着您将得到一系列答案，并且您必须针对k的每个值对该范围进行采样，以获得该k的最佳拟合。这不是一蹴而就的

谢谢你回答这个问题。是的，我做的源代码和你一样。但我不知道选择k是否有效，也没有错误。找到精确的k仍然是一个开放的研究问题。calinski_-harabaz_评分法是目前提出的聚类适应度方法之一。只有您可以说它对您的问题/数据集是否有效。请始终多次随机初始化k-means。感谢您回答此问题。是的，我做的源代码和你一样。但我不知道选择k是否有效，也没有错误。找到精确的k仍然是一个开放的研究问题。calinski_-harabaz_评分法是目前提出的聚类适应度方法之一。只有您可以说它对您的问题/数据集是否有效。请始终对k-means进行多次随机初始化。您也可以掷骰子选择k。不要依赖这些措施，请始终手动验证群集。感谢您的回复。我知道我必须用平方和和和其他方法检查聚类数。但我需要做一个程序，自动选择K并运行聚类，而无需人工决定。所以我写这些问题是为了得到一些建议。不，也不要依赖平方和！自动聚类是一种矛盾修饰法。你也可以掷骰子选择k。不要依赖这些措施，请始终手动验证群集。感谢您的回复。我知道我必须用平方和和和其他方法检查聚类数。但我需要做一个程序，自动选择K并运行聚类，而无需人工决定。所以我写这些问题是为了得到一些建议。不，也不要依赖平方和！自动聚类是一个矛盾修饰法。谢谢你回答这个问题。我试着再考虑一下。谢谢你回答这个问题。我试着再考虑一下。