Python中如何使用Scikit-learn进行聚类结果的轮廓系数评估？

轮廓系数是评估聚类质量的内部指标，取值范围为[-1,1]，值越接近1表示聚类效果越好，接近0说明簇间边界模糊，负值表明样本可能被错误分配；它适用于比较不同聚类算法或参数（如KMeans中n_clusters）的效果，需同时输入特征矩阵X和聚类标签labels，要求至少两个簇且每簇含多于一个样本，常用于辅助选择最优簇数，但不适用于DBSCAN等密度型聚类的直接评估。

轮廓系数（silhouette_score）是评估聚类质量的常用指标，取值范围在 -1 到 1 之间：越接近 1 表示聚类越合理，接近 0 表示簇间边界模糊，负值说明样本可能被分到了错误的簇。它适合用于已知簇数量、想比较不同聚类算法或不同 n_clusters 设置效果的场景——但不适用于层次聚类结果或密度型聚类（如 DBSCAN）的直接评估，因为后者簇形状不规则，距离假设不成立。

使用 silhouette_score 时，必须同时提供原始特征数据和对应聚类标签，不能只传标签。一个常见的误解是把聚类模型输出的 labels_ 直接当成“真值”来用——其实它不是真实标签，只是模型划分结果，silhouette_score 正是基于这些标签和原始数据点间的距离来计算的。

• silhouette_score(X, labels) 中 X 必须是二维数组（n_samples × n_features），labels 是长度为 n_samples 的一维整数数组
• 默认使用欧氏距离；如果数据量较大（超过 1 万个样本），建议设置 sample_size=1000 来加速计算，否则复杂度是 O(n²)
• 如果 labels 中只有一个簇（所有值相同），会抛出 ValueError: Number of clusters must be at least 2

来看一个具体的例子：

from sklearn.metrics import silhouette_score
from sklearn.cluster import KMeans

kmeans = KMeans(n_clusters=3, random_state=42).fit(X)
score = silhouette_score(X, kmeans.labels_)

轮廓系数本身并不直接决定“最佳簇数”，它更像一个辅助判断工具。实际操作中，你需要遍历多个 n_clusters 值，对每个拟合结果计算得分，再观察变化趋势。但有一点要注意：得分最高不一定代表业务上最合理，特别是当数据天然存在强偏斜或噪声时，最高分可能出现在过拟合的簇数上。

一些实操建议：

• 建议从 n_clusters=2 开始尝试，上限不超过 len(X) // 2，避免单点成簇干扰计算
• 可以配合 silhouette_samples 查看每个样本的局部轮廓值，识别哪些点拖累了整体得分
• 注意标准化问题：如果特征没有缩放（比如身高 cm 和收入 元混在一起用），会导致距离计算失真，silhouette_score 的结果也不可靠

有时候你可能会得到负的轮廓系数。负值说明至少有部分样本离“隔壁簇”的中心比离自己簇中心还近，典型原因包括：n_clusters 设得过大、数据本身不适合球形簇假设、特征未归一化、或者存在明显的异常值。

遇到这种情况，可以尝试：

• 检查 labels 是否真的包含多个簇（len(set(labels)) > 1）
• 用 StandardScaler 或 MinMaxScaler 预处理 X，再重新跑聚类和评估
• 可视化前两主成分上的聚类结果，肉眼确认簇是否严重重叠或拉长
• 换用 DBSCAN 或 AgglomerativeClustering 做对比——轮廓系数对非凸簇并不敏感，容易给出误导性的高分

说到底，真正难的不是算出一个数值，而是理解这个数值在当前数据分布和业务目标下的意义。举个例子，在客户分群中，0.4 的轮廓系数可能比 0.6 更实用，因为前者对应的是可解释、易运营的三类人群，而后者可能是算法强行拆出的五类细微差异群体。