davies_bouldin_score#

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

計算 Davies-Bouldin 分數。

此分數定義為每個群集與其最相似群集之間的平均相似度量，其中相似度是群集內距離與群集間距離的比率。因此，距離較遠且分散較少的群集將產生較好的分數。

最低分數為零，較低的值表示更好的群集結果。

在使用者指南中閱讀更多內容。

於 0.20 版本新增。

參數：

X形狀為 (n_samples, n_features) 的類陣列: 一個包含 n_features 維資料點的列表。每行對應一個資料點。
labels形狀為 (n_samples,) 的類陣列: 每個樣本的預測標籤。

回傳：

score: float: 產生的 Davies-Bouldin 分數。

參考文獻

[1]

Davies, David L.; Bouldin, Donald W. (1979). “群集分離度量”. IEEE Transactions on Pattern Analysis and Machine Intelligence. PAMI-1 (2): 224-227

範例

>>> 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...)