带有sklearn的python中的轮廓系数

Posted 2023-03-12

【中文标题】带有sklearn的python中的轮廓系数

【英文标题】：silhouette coefficient in python with sklearn

【发布时间】：2013-12-20 20:35:11

【问题描述】：

我在使用 sklearn 计算 python 中的轮廓系数时遇到问题。 这是我的代码：

from sklearn import datasets
from sklearn.metrics import *
iris = datasets.load_iris()
X = pd.DataFrame(iris.data, columns = col)
y = pd.DataFrame(iris.target,columns = ['cluster'])
s = silhouette_score(X, y, metric='euclidean',sample_size=int(50))

我得到错误：

IndexError: indices are out-of-bounds

我想使用 sample_size 参数，因为在处理非常大的数据集时，轮廓太长而无法计算。任何人都知道这个参数是如何工作的？

完整的回溯：

---------------------------------------------------------------------------
IndexError                                Traceback (most recent call last)
<ipython-input-72-70ff40842503> in <module>()
      4 X = pd.DataFrame(iris.data, columns = col)
      5 y = pd.DataFrame(iris.target,columns = ['cluster'])
----> 6 s = silhouette_score(X, y, metric='euclidean',sample_size=50)

/usr/local/lib/python2.7/dist-packages/sklearn/metrics/cluster/unsupervised.pyc in silhouette_score(X, labels, metric, sample_size, random_state, **kwds)
     81             X, labels = X[indices].T[indices].T, labels[indices]
     82         else:
---> 83             X, labels = X[indices], labels[indices]
     84     return np.mean(silhouette_samples(X, labels, metric=metric, **kwds))
     85 

/usr/local/lib/python2.7/dist-packages/pandas/core/frame.pyc in __getitem__(self, key)
   1993         if isinstance(key, (np.ndarray, list)):
   1994             # either boolean or fancy integer index
-> 1995             return self._getitem_array(key)
   1996         elif isinstance(key, DataFrame):
   1997             return self._getitem_frame(key)

/usr/local/lib/python2.7/dist-packages/pandas/core/frame.pyc in _getitem_array(self, key)
   2030         else:
   2031             indexer = self.ix._convert_to_indexer(key, axis=1)
-> 2032             return self.take(indexer, axis=1, convert=True)
   2033 
   2034     def _getitem_multilevel(self, key):

/usr/local/lib/python2.7/dist-packages/pandas/core/frame.pyc in take(self, indices, axis, convert)
   2981         if convert:
   2982             axis = self._get_axis_number(axis)
-> 2983             indices = _maybe_convert_indices(indices, len(self._get_axis(axis)))
   2984 
   2985         if self._is_mixed_type:

/usr/local/lib/python2.7/dist-packages/pandas/core/indexing.pyc in _maybe_convert_indices(indices, n)
   1038     mask = (indices>=n) | (indices<0)
   1039     if mask.any():
-> 1040         raise IndexError("indices are out-of-bounds")
   1041     return indices
   1042 

IndexError: indices are out-of-bounds

【问题讨论】：

请粘贴更多的回溯。您不必用 int 包装 50。

我编辑有回溯。 50 以前是一个变量。我更改了它以确保我有一个固定值的错误。我忘了删除 int。

【参考方案1】：

silhouette_score 需要常规的 numpy 数组作为输入。为什么要将数组包装在数据框中？

>>> silhouette_score(iris.data, iris.target, sample_size=50)
0.52999903616584543

从回溯中，您可以观察到代码在第一个轴上进行了精美的索引（子采样）。默认情况下，索引数据框将索引列而不是行，因此您观察到的问题。

【讨论】：

好的，谢谢。我以 iris 数据集为例，因为我实际上正在为我的项目处理数据框。如果第一个条目是数据框，第二个条目是数组，则 Silhouette 有效。我没有考虑索引的潜在问题。

只需将您的数据帧转换为 numpy 数组（例如使用 data_fram.values），然后再将它们传递给 silhouette_score 函数。