嘿，针对你遇到的KMeans高维数据评估和真实标签匹配的问题，我整理了实用的解决方案：

因为数据维度太高没法可视化，咱们可以从**内部指标（无需真实标签）和外部指标（有真实标签时）**两方面来评估：

• 内部指标（无真实标签可用）

  • 肘部法则：计算不同k值下的inertia_（簇内样本到簇中心的平方和总和），当k增加到某个值后，inertia的下降速度会突然变缓，这个点就是比较合适的聚类数。在sklearn里你可以这么做：遍历不同的k，调用KMeans(n_clusters=k).fit(X).inertia_来收集数值，然后画折线图找拐点。
  • 轮廓系数：衡量每个样本与自身簇内样本的相似度，以及和其他簇样本的差异，取值范围是[-1,1]，越接近1说明聚类效果越好。用sklearn的sklearn.metrics.silhouette_score(X, labels)就能计算，不过高维数据计算起来可能有点耗时，如果样本量大的话可以抽部分样本计算。
  • Calinski-Harabasz指数：计算簇间离散度和簇内离散度的比值，数值越大说明簇之间越分开、簇内越紧凑，聚类效果越好。对应方法是sklearn.metrics.calinski_harabasz_score(X, labels)。

• 外部指标（有真实标签时）：这部分其实和你第二个问题相关，咱们下面专门讲标签匹配后怎么验证。

这里要重点说一下：KMeans的簇标签是随机分配的，比如你的真实标签是[0,1,2]，KMeans可能输出[2,0,1]，编号完全不对应，但聚类的分组可能是对的。所以不能直接用普通的准确率来评估，得用这些不依赖标签顺序的方法：

• 调整兰德指数（ARI）：专门用来衡量聚类结果和真实标签的相似度，它会排除随机聚类带来的巧合，取值范围是[-1,1]，1表示聚类结果和真实标签完全一致。调用sklearn.metrics.adjusted_rand_score(true_labels, pred_labels)就能得到结果。
• 归一化互信息（NMI）：基于信息论的指标，衡量两个标签分布之间的互信息，归一化后取值在[0,1]之间，值越接近1说明聚类结果和真实标签的匹配度越高。对应方法是sklearn.metrics.normalized_mutual_info_score(true_labels, pred_labels)。
• 匹配标签后计算准确率（直观展示）：如果你想得到类似准确率的直观数值，可以先用匈牙利算法找到KMeans簇标签和真实标签的最优映射，然后替换簇标签再计算准确率。举个简单的代码例子：

  import numpy as np
  from scipy.optimize import linear_sum_assignment
  from sklearn.metrics import accuracy_score
  from sklearn.cluster import KMeans
  
  # 假设X是你的特征数据，true_labels是真实标签，n_clusters是聚类数
  kmeans = KMeans(n_clusters=n_clusters, random_state=42)
  pred_labels = kmeans.fit_predict(X)
  
  # 构建代价矩阵，用两个标签的共现次数的负值（因为linear_sum_assignment找最小代价）
  cost_matrix = -np.array([[np.sum((true_labels == i) & (pred_labels == j)) 
                            for j in range(n_clusters)] 
                           for i in range(n_clusters)])
  # 找到最优匹配
  row_ind, col_ind = linear_sum_assignment(cost_matrix)
  # 建立簇标签到真实标签的映射
  label_map = {col_ind[i]: row_ind[i] for i in range(n_clusters)}
  # 替换KMeans的标签
  mapped_pred_labels = np.array([label_map[label] for label in pred_labels])
  # 计算准确率
  acc = accuracy_score(true_labels, mapped_pred_labels)
  print(f"匹配后的准确率: {acc:.4f}")
  

内容的提问来源于stack exchange，提问作者Ali Raza