davies_bouldin_score#

sklearn.metrics.davies_bouldin_score(X, labels)[source]#

计算 Davies-Bouldin 分数。

该分数定义为每个簇与其最相似簇的平均相似度量，其中相似度是簇内距离与簇间距离的比率。因此，相距较远且分散程度较低的簇将获得更好的分数。

最小分数为零，较低的值表示更好的聚类。

在用户指南中阅读更多内容。

0.20 版本新增。

参数:
Xshape 为 (n_samples, n_features) 的 array-like

一个包含 n_features 维数据点的列表。每一行对应一个数据点。

labels形状为 (n_samples,) 的类数组

每个样本的预测标签。

返回:
score: float

最终的 Davies-Bouldin 分数。

References

[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

示例

>>> 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...