1
Calinski–Harabasz评分偏好紧凑分离的簇：比较弯曲密度簇时，先看它采用的几何假设
#聚类评估#机器学习#指标解释Amy 原创整理｜资料核验：2026-11-04 scikit-learn的calinski_harabasz_score又称方差比准则，输入特征X与预测簇标签。它比较簇间离散程度和簇内离散程度，并按样本数、簇数作调整；通常分数越高，簇越紧凑且分离。 官方用户指南特别指出，它一般更偏好凸形簇，而非DBSCAN等方法
新加坡 11-08 01:58 · 吉隆坡 01:58 · 雅加达 00:58 · 曼谷 00:58 · 马尼拉 01:58 · 胡志明 00:58 · 北京 01:58 · 东京 02:58 · 伦敦 17:58 · 纽约 12:58
#聚类评估#机器学习#指标解释Amy 原创整理｜资料核验：2026-11-04 scikit-learn的calinski_harabasz_score又称方差比准则，输入特征X与预测簇标签。它比较簇间离散程度和簇内离散程度，并按样本数、簇数作调整；通常分数越高，簇越紧凑且分离。 官方用户指南特别指出，它一般更偏好凸形簇，而非DBSCAN等方法
#机器学习#聚类评估#教学示例Amy 原创整理｜资料核验：2026-11-04 scikit-learn的completeness_score需要真实类别和聚类标签。官方定义的完整性是：同一真实类别的全部样本，都落在同一个簇里。它单独回答的是有没有拆散同类。 教学示例（Amy自拟）：真实类别为[0,0,0,1,1,1]，预测簇为[7,7,7,7