总第210篇/张俊红

关于聚类算法，大家应该都有一定的了解，就是把一群人或者其他数据分成若干类，大家习惯叫做n类，那这个n是怎么确定的呢？很多人可能会说靠拍，靠拍确实也不是不可以。但是总觉得不太科学。那应该怎么办呢？因为聚类是无监督学习，也就是没有正确答案，没有办法知道分几类是正确的，那应该怎么办呢，是不是只能靠拍了？

我们想想聚类的本质，其实就是把一群人(暂且可以理解成我们是对人进行分类)分成若干类，我们希望得到的一个结果就是，类与类之间差别(距离)要尽可能的大，同一类内部之间的差别要尽可能小，因为这样的结果才是我们聚类的目的呀。明确了目标以后，我们就可以开始尝试了，看n取多少的时候结果比较接近我们的目标。这个目标有一个比较正式的名字叫做轮廓系数(silhouette coefficient)。

轮廓系数的计算步骤如下：

• 计算样本i到同一类中其他样本的平均距离ai。ai越小，说明样本i与同类中其他样本的距离越近，即越相似。我们将ai称为样本i的类别内不相似度。

• 计算样本i到其他类别的所有样本的平均距离bi，称为样本i与其他类之间的不相似度。bi越大，说明样本i与其他类之间距离越远，即越不相似。

• 根据样本i的簇内不相似度ai和簇间不相似度bi ，定义样本i的轮廓系数为：

si的值介于[-1,1]之间，越接近于1说明bi越大ai越小，类别内部越相似，类别之间越不相似；越接近于0说明类别内部和类别之间的距离差不多，分界线很不明显；越接近于-1说明类别之间越相似类别内部反而不相似。

了解清楚原理以后，我们来看下在Python中怎么实现，这个系数在Sklearn库中是有现成的包可以供我们使用的：

silhouette_score是获取模型总体的轮廓系数，
silhouette_samples是获取每个样本的轮廓系数。

接下来我们来一个实战案例给大家演示下：

首先把我们需要用到的包导入进来：

from sklearn.datasets import make_blobs
from sklearn.cluster import KMeans
from sklearn.metrics import silhouette_samples, silhouette_score
import matplotlib.pyplot as plt
import matplotlib.cm as cm
import numpy as np

接下来生成一组模拟数据以备模型使用：

X, y = make_blobs(n_samples=500,n_features=2,centers=4,cluster_std=1,center_box=(-10.0, 10.0),shuffle=True,random_state=1)

生成数据以后，开始训练模型：

kmeans = KMeans(n_clusters = 3,random_state = 0)
kmeans.fit(X)
pred_y = kmeans.predict(X)  # 预测点在哪个聚类中
print(silhouette_score(X, pred_y))

上面模型中我们随便给定一个类别数3，会得出如果把我们的模拟数据生成3类的话轮廓系数是0.58。3个是不是最好的类别数呢？不知道，我们就试吧，写一个for循环，遍历[2,20]类，代码如下：

score = []
for n in range(2,20):kmeans = KMeans(n_clusters = n,random_state = 0)kmeans.fit(X)pred_y = kmeans.predict(X)  # 预测点在哪个聚类中score.append([n,silhouette_score(X, pred_y)])
pd.DataFrame(score).set_index(0).plot(legend = False)
plt.xlabel("聚类个数")
plt.ylabel("轮廓系数")

运行上面代码可以得到不同类别数对应的轮廓系数值，我们根据轮廓系数和业务需求双重目标来确定最佳的类别数。为什么还要考虑业务需求呢？因为我们聚类的结果一般都是需要拿给业务用的，比如用在精细化运营上，如果类别太多，可能不利于业务使用。所以要综合考虑轮廓系数和业务诉求。

如果想要获取每个样本的轮廓系数，则可以使用silhouette_samples函数，使用方法与silhouette_score是一样的，也是需要给定x值和预测的y值。

silhouette_samples(X, pred_y)

掌握了轮廓系数法，以后聚类个数再也不用靠拍了。

公众号推出根据关键词搜索历史文章的工具，点击下面链接可以试试：