戴维斯-布尔丁指数#

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

计算戴维斯-布尔丁指数。

该分数定义为每个簇与其最相似簇的平均相似性度量，其中相似性是指簇内距离与簇间距离的比率。因此，距离更远且分散程度更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效果。

更多信息请阅读用户指南。

0.20 版本新增。

参数：

Xarray-like 形状为 (n_samples, n_features): 一个包含 n_features 维数据点的列表。每一行对应一个数据点。
labelsarray-like 形状为 (n_samples,): 每个样本的预测标签。

返回值：

score: float: 得到的 Davies-Bouldin 分数。

参考文献

[1]

Davies, David L.; Bouldin, Donald W. (1979). “一种聚类分离度量”. IEEE 模式分析与机器智能汇刊. 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)
np.float64(0.12...)