sklearn:计算测试数据集上k-means的准确度得分

时间:2016-06-15 17:38:13

标签: python scikit-learn k-means

我正在对具有2个簇的30个样本的集合进行k-means聚类(我已经知道有两个类)。我将我的数据分成训练和测试集,并尝试计算我的测试集上的准确度分数。但是有两个问题:首先我不知道我是否可以实际为k-means聚类做这个(测试集的准确度得分)。第二:如果我被允许这样做,我的实现是写还是错。这是我尝试过的:

df_hist = pd.read_csv('video_data.csv')

y = df_hist['label'].values
del df_hist['label']
df_hist.to_csv('video_data1.csv')
X = df_hist.values.astype(np.float)

X_train, X_test,y_train,y_test =  cross_validation.train_test_split(X,y,test_size=0.20,random_state=70)
k_means = cluster.KMeans(n_clusters=2)
k_means.fit(X_train)
print(k_means.labels_[:])
print(y_train[:])

score = metrics.accuracy_score(y_test,k_means.predict(X_test))
print('Accuracy:{0:f}'.format(score))

k_means.predict(X_test)
print(k_means.labels_[:])
print(y_test[:])

但是,当我为测试集打印k-means标签时( k_means.predict(X_test) print(k_means.labels _ [:]))和y_test标签( print(k_means.labels _ [:]))在最后三行中,我得到的标签与我安装X-train时的标签相同,而不是为X测试。知道我在这里做错了什么吗?我正在做什么来评估k-means的表现是否正确? 谢谢!

1 个答案:

答案 0 :(得分:15)

在评估准确性方面。您应该记住k-means 不是分类工具,因此分析准确性不是一个好主意。你可以做到这一点,但这不是k-means的用途。它应该找到最大化群集间距离的数据分组,它不会使用您的标签进行训练。因此,像k-means这样的东西通常会用RandIndex和其他聚类指标来测试。为了最大化准确性,您应该适合实际的分类器,如kNN,逻辑回归,SVM等。

就代码本身而言,k_means.predict(X_test) 返回标签时,它不会更新内部labels_字段,您应该这样做

print(k_means.predict(X_test))

此外,在python中,您不必(也不应该)使用[:]来打印数组,只需执行

print(k_means.labels_)
print(y_test)