KMeans聚类后混淆矩阵维度不符预期的问题排查

这问题我之前排查过类似的，大概率是标签编号不匹配或者真实标签的类别范围超出了你预期的5类，咱们一步步来拆解：

首先得明确：KMeans是无监督聚类算法，它输出的聚类标签（默认从0到n_clusters-1，也就是这里的0-4）是算法自行分配的，和你的真实标签编号没有天然对应关系。你得到10×10混淆矩阵且最后5列全0，主要有两种常见原因：

1. 真实标签的类别范围包含10个值（仅5个有样本） #

比如你的真实标签数组里可能存在0-9的编号，但实际只有0-4对应的样本有数据，5-9没有任何样本。当你用confusion_matrix(y_true, y_pred)计算时，sklearn会把所有出现过的标签（包括5-9）都纳入矩阵维度，而因为预测标签只有0-4，所以5-9对应的列全是0。

解决方法：重新编码真实标签 #

用LabelEncoder把真实标签重新映射为0到4的连续编号：

from sklearn.preprocessing import LabelEncoder
from sklearn.metrics import confusion_matrix

# 假设y_true是你的真实标签，y_pred是KMeans输出的labels_
le = LabelEncoder()
y_true_encoded = le.fit_transform(y_true)

# 现在计算的混淆矩阵就是预期的5×5了
cm = confusion_matrix(y_true_encoded, y_pred)
print(cm)

2. 聚类标签与真实标签的编号未对齐（补充场景） #

如果你的真实标签确实是5类（0-4），但KMeans输出的聚类标签虽然也是0-4，却和真实标签的类别对应关系混乱（比如聚类0对应真实类别2，聚类1对应真实类别0等），这时候直接计算的混淆矩阵虽然是5×5，但对角线元素不会是最大的。这种情况需要先对齐标签再评估：

解决方法：用匈牙利算法对齐标签 #

通过匈牙利算法找到聚类标签和真实标签的最佳匹配，再计算混淆矩阵：

from scipy.optimize import linear_sum_assignment
from sklearn.metrics import confusion_matrix
import numpy as np

# 先计算原始混淆矩阵
cm = confusion_matrix(y_true, y_pred)
# 用匈牙利算法找到最大化对角线元素的标签映射
row_ind, col_ind = linear_sum_assignment(-cm)
# 重新映射预测标签
aligned_y_pred = np.array([col_ind[label] for label in y_pred])
# 得到对齐后的5×5混淆矩阵
aligned_cm = confusion_matrix(y_true, aligned_y_pred)
print(aligned_cm)

额外提醒：无监督聚类的更优评估方式 #

混淆矩阵其实不是KMeans这类无监督算法的最佳评估指标，因为它依赖标签的一一对应。更合适的指标是：

• 调整兰德指数（ARI）：衡量聚类结果与真实标签的相似度，不受标签编号影响
• 归一化互信息（NMI）：同样衡量聚类与真实标签的匹配程度
• 轮廓系数：无监督评估，衡量聚类的紧凑性和分离度

比如计算ARI的示例：

from sklearn.metrics import adjusted_rand_score
ari_score = adjusted_rand_score(y_true, y_pred)
print(f"调整兰德指数：{ari_score}")

内容的提问来源于stack exchange，提问作者Harshpal Singh