python如何获取最优轮廓系数

from sklearn.cluster import KMeans

from sklearn.preprocessing import MaxAbsScaler  # 小数定标标准化

from sklearn.preprocessing import MinMaxScaler  # 离差标准化

from sklearn.preprocessing import StandardScaler  # 标准差标准化

# 评估指标-----轮廓系数

from sklearn.metrics import silhouetee_score

# 由于是聚类算法，数据可能存在量纲，需要标准化，在使用算法之前

# 实例化

sca = MaxAbsScaler()

sca = MinMaxScaler()

sca = StandardScaler()

# 拟合

sca.fit( 训练集特征 )

# 处理数据

X_train = sca.transform( 训练集特征 )

# 实例化

km = KMeans()

# 参数：

# n_clusters=3，表示k=3，也就是随机三个聚类中心，最小值是2

# init，聚类中心初始化方法，默认k-means++

# max_iter，迭代次数，默认300，如果后期无法收敛可以尝试增加迭代次数

# random_state=1，随机种子，默认是None

# 拟合

km.fit( 训练集特征 )

# 查看聚类中心

print('聚类中心：', km.cluster_centers_)

# 查看预测结果

# 可以直接传入训练集，也可以传入自定义二维数组

y_pred = km.predict( 训练集特征 )

print('整个数据的类别：', y_pred)

# 查看SSE---误差平方和

# 默认是取反操作，大多数情况得出来的是负值【-inf, 0】

# 绝对值越小越好

score = km.score(X_train, y_pred)

print('SSE', score)

# 评估指标----轮廓系数(-1, 1)，越大越好

print('轮廓系数：', silhouetee_score(X_train, y_pred))