针对不同情况，有些问题你需要的聚类数目可能是已知的。但是在聚类数目不作为一个先验知道的情况下，我们并不能够保证某个聚类的数目对这个数据是最优的，因为我们对于数据的结构（如果存在的话）是不清楚的。但是，我们可以通过计算每一个簇中点的轮廓系数来衡量聚类的质量。数据点的轮廓系数衡量了它与分配给他的簇的相似度，这个值范围在-1（不相似）到1（相似）。平均轮廓系数为我们提供了一种简单地度量聚类质量的方法。
# TODO：在降维后的数据上使用你选择的聚类算法 from sklearn.cluster import KMeans from sklearn.metrics import silhouette_score clusterer = KMeans(n_clusters=6, random_state=0).fit(reduced_data) # TODO：预测每一个点的簇 preds =clusterer.predict(reduced_data) # TODO：找到聚类中心 centers =clusterer.cluster_centers_ # TODO：预测在每一个转换后的样本点的类 sample_preds =clusterer.predict(pca_samples) # TODO：计算选择的类别的平均轮廓系数（mean silhouette coefficient） score =silhouette_score(reduced_data,preds) print score