Python中kmodes库K-Prototypes模型的cost_属性如何解读及评估？

问题背景 #

我正在用Python的kmodes.kprototypes处理混合类型（数值+分类）数据的聚类，代码如下：

from kmodes.kprototypes import KPrototypes

kp = KPrototypes(n_clusters=5, init='Cao')
kp.fit(df, categorical=categorical_column_list)

完成聚类后需要评估对比结果，但sklearn常规聚类评估方法只适用于数值数据。KPrototypes提供了内置的.cost_属性，文档说明是“所有样本到各自簇质心的距离之和”。我观察到簇数量越多，cost_值越低，极端情况当簇数等于样本数时cost_最小，但不确定该如何解读这个值，也不知道它能不能用于常规评估，如果不行的话应该用什么指标。

关于.cost_的解读 #

.cost_是KPrototypes算法优化的核心目标函数值，计算逻辑分为两部分：

• 对数值特征：计算样本到簇质心的欧氏距离
• 对分类特征：计算样本到簇质心（对应特征的类别众数）的汉明距离（即样本与质心类别不同的特征数量）
• 最终将所有样本的两类距离加权求和（默认权重为1，可通过gamma参数调整分类特征的权重），得到的总和就是.cost_

能否用.cost_做常规评估？ #

可以用，但要明确它的局限性：

• 它会随簇数增加单调递减——簇越多，每个簇的样本越集中，样本到质心的距离自然越小，极端情况每个样本单独成簇时距离为0，cost_也为0。因此不能单独用cost_的绝对值判断聚类效果好坏。
• 但它可用于同一数据集下不同聚类参数的相对对比：比如选择最优簇数时，绘制cost_随n_clusters变化的折线图，寻找“拐点”（即cost_下降速度突然变缓的点），逻辑和K-means的肘部法则一致。

混合类型数据聚类的其他评估指标 #

如果需要更全面的评估，可参考以下方法：

• 自定义轮廓系数：sklearn默认轮廓系数基于欧氏距离，你可以自定义结合欧氏距离（数值特征）和汉明距离（分类特征）的距离函数，自行实现轮廓系数计算，衡量样本簇内紧密性与簇间分离度。
• 自定义Calinski-Harabasz指数：同样需要自定义距离矩阵，该指数通过计算簇间离散度与簇内离散度的比值评估，比值越高聚类效果越好。
• 业务逻辑人工评估：这是混合类型数据聚类最实用的方式——查看每个簇的特征分布（数值特征统计量、分类特征类别占比），判断聚类结果是否符合业务场景的分组逻辑，比如客户分群中不同簇的消费习惯、人口特征是否有明显差异。
• 自定义内部验证指标：比如计算簇内分类特征的熵值（熵越低说明簇内类别越一致），结合数值特征的方差（方差越小说明簇内数值越集中），综合评估簇的紧凑性。

内容的提问来源于stack exchange，提问作者Fredrik