python 计算k-means轮廓系数并在图表显示

在Python中，可以使用 `sklearn.metrics` 模块中的 `silhouette_score` 函数来计算KMeans聚类的轮廓系数，示例如下：

from sklearn.cluster import KMeans
from sklearn.metrics import silhouette_score
import numpy as np
import matplotlib.pyplot as plt

# 生成随机数据集
np.random.seed(0)
X = np.random.randn(100, 2)

# 计算不同K值下的轮廓系数
k_values = range(2, 10)
silhouette_scores = []
for k in k_values:
    kmeans = KMeans(n_clusters=k)
    kmeans.fit(X)
    score = silhouette_score(X, kmeans.labels_)
    silhouette_scores.append(score)

# 绘制轮廓系数图表
plt.plot(k_values, silhouette_scores, 'bo-')
plt.xlabel('K')
plt.ylabel('Silhouette Score')
plt.title('Silhouette Analysis')
plt.show()

在上面这个示例中，我们首先生成了一个二维的随机数据集X，然后计算不同K值下的轮廓系数并保存到 `silhouette_scores` 列表中。最后，使用 `plt.plot()` 函数绘制了轮廓系数和K值之间的关系图表。图表中X轴表示K值，Y轴表示轮廓系数。可以通过观察图表来确定最优的K值，一般来说，轮廓系数越接近1，表示聚类效果越好。