确定k均值聚类的准确性

Question

我想使用sklearns k-means聚类函数对鸢尾花数据集(我去掉了标签，所以现在它是一个未标记的数据)进行分类。我已经建立了预测模型，输出似乎在很大程度上正确地对数据进行了分类，然而它是随机选择标签(0，1和2)，我无法将其与我自己的标签进行比较来确定准确性(我将setosa标记为0，versicolor标记为1，virginica标记为2)。有没有办法给这些花贴上正确的标签？

代码如下：

from sklearn.cluster import KMeans
cluster = KMeans(n_clusters = 3)
cluster.fit(features)
pred = cluster.labels_
score = round(accuracy_score(pred, name_val), 4)
print('Accuracy scored using k-means clustering: ', score)

特征，正如预期的那样包含特征，name_val是包含花值的矩阵，0表示刚毛，1表示杂色，2表示维吉尼亚

编辑:我想出的一个解决方案是将random_state设置为任何数字，以便标签是恒定的，还有其他解决方案吗？

Answer 1

您需要查看clustering metrics来评估您的预测，这些预测包括

等

1. Homegenity Score
2. V measure
3. Completenss Score

现在以完整性分数为例，

如果作为给定类成员的所有数据点都是同一聚类的元素，则聚类结果满足完备性。

例如

from sklearn.metrics.cluster import completeness_score
print completeness_score([0, 0, 1, 1], [1, 1, 0, 0])
#Output : 1.0

这和你想要的差不多。对于您来说，代码应该是completeness_score(pred，name_val)。这里请注意，分配给数据点的标签并不重要，重要的是它们彼此之间的标签。

另一方面，同质性关注的是同一集群中数据点的质量。然而，V-度量被定义为2 * (homogeneity * completeness) / (homogeneity + completeness)

请在此处阅读官方文档：Homogenity, completeness and V-measure

Answer 2

首先，你不是在对数据进行分类，而是对数据进行聚类。分类是一个不同的过程。

K-Means算法在选择初始聚类中心时包含随机性。通过设置random_state，您可以重现相同的聚类，因为初始聚类中心将是相同的。但是，这并不能解决您的问题。你想要的是id为0的集群是setosa，1是versicolor等等。这是不可能的，因为K-Means算法不知道这些类别，它只根据花的相似性对花进行分组。您可以做的是创建一个规则来确定哪个集群对应于哪个类别。例如，您可以说，如果属于某个集群的花的50%以上也属于setosa类别，则应该将该集群的文档与setosa类别中的文档集进行比较。

这是我能想到的最好的方法。然而，这不是我们评估客户质量的方式，有一些指标可以使用，例如轮廓系数。我希望我能帮上忙。

Answer 3

参考这个博客https://smorbieu.gitlab.io/accuracy-from-classification-to-clustering-evaluation/，你需要用匈牙利算法从混淆矩阵中得到关系。代码如下：

from scipy.optimize import linear_sum_assignment as linear_assignment
def cluster_acc(y_true, y_pred):
    cm = metrics.confusion_matrix(y_true, y_pred)
    _make_cost_m = lambda x:-x + np.max(x)
    indexes = linear_assignment(_make_cost_m(cm))
    indexes = np.concatenate([indexes[0][:,np.newaxis],indexes[1][:,np.newaxis]], axis=-1)
    js = [e[1] for e in sorted(indexes, key=lambda x: x[0])]
    cm2 = cm[:, js]
    acc = np.trace(cm2) / np.sum(cm2)
    return acc

或仅导入库coclust

from coclust.evaluation.external import accuracy
accuracy(labels, predicted_labels)