davies_bouldin_score

sklearn.metrics.davies_bouldin_score(X, labels)

计算Davies-Bouldin得分。

该得分定义为每个簇与其最相似簇的平均相似度度量，其中相似度是簇内距离与簇间距离的比率。因此，距离更远且分散度更低的簇将产生更好的得分。

最小得分为零，较低的值表示更好的聚类。

更多信息请参阅 用户指南 。

Added in version 0.20.

Parameters:

X形状为(n_samples, n_features)的类数组

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。

Returns:

score: float

计算得到的Davies-Bouldin得分。

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

Examples

>>> 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...