davies_bouldin_score

sklearn.metrics.davies_bouldin_score(X, labels)

Berechne den Davies-Bouldin-Score.

Der Score ist definiert als das durchschnittliche Ähnlichkeitsmaß jedes Clusters mit seinem ähnlichsten Cluster, wobei die Ähnlichkeit das Verhältnis von Abständen innerhalb von Clustern zu Abständen zwischen Clustern ist. Daher führen weiter auseinander liegende und weniger gestreute Cluster zu einem besseren Score.

Der minimale Score ist Null, wobei niedrigere Werte eine bessere Clusterbildung anzeigen.

Lesen Sie mehr im Benutzerhandbuch.

Hinzugefügt in Version 0.20.

Parameter:

Xarray-like der Form (n_samples, n_features)

Eine Liste von Datenpunkten mit n_features Dimensionen. Jede Zeile entspricht einem einzelnen Datenpunkt.

labelsarray-ähnlich der Form (n_samples,)

Vorhergesagte Labels für jede Stichprobe.

Gibt zurück:

score: float

Der resultierende Davies-Bouldin-Score.

Referenzen

[1]

Davies, David L.; Bouldin, Donald W. (1979). „A Cluster Separation Measure“. IEEE Transactions on Pattern Analysis and Machine Intelligence. PAMI-1 (2): 224-227

Beispiele

>>> from sklearn.metrics import davies_bouldin_score
>>> X = [[0, 1], [1, 1], [3, 4]]
>>> labels = [0, 0, 1]
>>> davies_bouldin_score(X, labels)
0.12...