轮廓系数：如何评估聚类质量

一份关于轮廓系数的实操指南，涵盖公式、解读区间、scikit-learn 示例、如何用于选择合适簇数，以及与其他聚类指标的比较。

更新 2026年7月31日 · 12分钟读

用 AI 探索

在 ChatGPT 中打开在 Claude 中打开在 Perplexity 中打开

训练完一个聚类模型后，如何判断这些簇是否“好”？

没有放之四海而皆准的答案。在传统的监督学习中，您可以将预测与真实标签对比并得到准确率。但聚类不行。您选了 k=5，但是否换一个 k 会更好？没有标签，您无法判断算法是真的发现了结构，还是只是把数据随意切成几块。

轮廓系数就是您要找的度量。它衡量每个点相对于次近簇而言，与其被分配簇的匹配程度，是最常用的指标之一。它不需要标签，而且容易解读。

本文将带您理解其公式与解读方式，给出基于 scikit-learn 的 Python 示例，并讨论何时适用、何时并非最佳选择。

刚接触聚类？阅读我们的scikit-learn k-Means 聚类入门教程，了解算法原理及其在 Python 中的用法。

什么是轮廓系数？

轮廓系数是介于 -1 到 1 之间的数值，用来衡量每个点与其所属簇的贴合程度。

该数值反映两方面：

该点与其所在簇内其他点的接近程度
该点与最近的其他簇之间的远离程度

若某点稳居其簇内部并远离其他簇，得分就高。若位于边界，距离相邻簇比距离本簇还近，得分就低。

简而言之，轮廓系数体现了两种平衡：簇内点的紧密程度与簇间的分离程度。两者同样重要。仅簇内紧密但簇彼此重叠并无意义；仅簇间分离良好但簇内松散也不理想。

良好分离的簇 vs. 重叠的簇

分数越高，簇定义越清晰。接近 1 表示点在本簇内分布紧密且远离其他簇；接近 0 表示簇间有重叠或边界模糊；负值表示该点距离另一个簇更近，可能被误分配。

轮廓系数的工作原理

每个点都有自己的轮廓系数，该分数由两种距离决定。

第一种是该点与其所属簇内其他点的平均距离。距离小则说明靠近同簇其他点；距离大则说明与本簇的联系较松散。

第二种是该点与最近邻簇内各点的平均距离。距离大说明与其他簇分离明显；距离小则说明靠近边界。

某点到各簇的距离

轮廓值比较这两个数。深处本簇且远离他簇的点得分高；在边界附近的点得分低；更靠近他簇的点得分为负。

要记住，单独看其中任一距离都不够。

紧凑的簇也可能紧挨另一个簇；分离良好的簇内部也可能分散。两种距离兼顾，才能信任分配结果。

轮廓系数公式

单个点的公式如下：

轮廓系数公式

其中：

a 为该点到同簇内所有其他点的平均距离
b 为该点到最近邻簇中所有点的平均距离

该公式用二者之差 b 与 a 的差，除以二者较大者。

通常可按以下思路解读分数：

当 b 远大于 a：该点远离他簇且接近本簇。分子近似 b，分母也是 b，得分接近 1
当 a 远大于 b：该点更接近他簇而非本簇。分子为接近 -a 的较大负数，分母为 a，得分接近 -1
当 a 与 b 大致相等：该点位于两簇边界。分子接近 0，分数也接近 0

更多细节如下。

如何解读轮廓系数

以下是一个大致的解读指南：

接近 1：点稳居其簇内部，且远离其他簇
约 0.7：聚类较好，簇彼此可区分，点也靠近同簇其他点
约 0.5：聚类尚可，簇间存在一定重叠，但仍能区分
接近 0：簇重叠或边界不清，结构可能并不真实
低于 0：点更接近错误的簇。可能是簇数选择不当，或数据本就不易聚类。

上述阈值只是粗略参考。何为“好”的轮廓系数取决于具体数据集。

稀疏且高维的数据，即使聚类不错，分数也常偏低；密集且分离良好的数据，分数可能高于 0.7。应在同一数据集上比较不同模型的分数，而非对照通用阈值。

如何计算轮廓系数

轮廓系数按点逐个计算。以下以单个点为例说明。

步骤 1：计算 a，即该点到同簇内其他各点的平均距离。若该点所在簇还有 4 个点，距离分别为 1.2、1.5、1.0、1.3：

轮廓系数计算（1）

步骤 2：找到最近的邻近簇（除本簇外，对该点的平均距离最低者）。然后计算 b，即该点到该簇内所有点的平均距离。若最近簇有 5 个点，与该点的距离为 2.4、2.8、3.0、2.6、2.7：

轮廓系数计算（2）

步骤 3：将 a 与 b 代入公式：

轮廓系数计算（3）

步骤 4：对数据集中的每个点重复上述过程。该次聚类的整体轮廓系数为所有点分数的平均值。

Python 中的轮廓系数示例

Scikit-learn 在 sklearn.metrics 中提供了两个计算轮廓系数的函数：

silhouette_score() 返回整个聚类的平均分数
silhouette_samples() 返回每个点的分数

以下是在合成数据集上配合 KMeans 的用法：

from sklearn.cluster import KMeans
from sklearn.datasets import make_blobs
from sklearn.metrics import silhouette_score, silhouette_samples

# Synthetic data with 4 clusters
X, _ = make_blobs(n_samples=500, centers=4, cluster_std=1.0, random_state=42)

# Clustering model
kmeans = KMeans(n_clusters=4, random_state=42, n_init=10)
labels = kmeans.fit_predict(X)

# Overall silhouette score
score = silhouette_score(X, labels)
print(f"Overall silhouette score: {score:.3f}")

# Per-point silhouette values
sample_scores = silhouette_samples(X, labels)
print(f"First 5 point scores: {sample_scores[:5]}")

运行以上代码片段，您将得到如下输出：

Python 示例输出

整体得分 0.791 表示这四个簇定义清晰、彼此分离良好。

逐点分数便于对每个数据点进行分析。

单点分数高的点稳居其簇内部；分数低或为负的点位于边界或被误分配，这有助于识别离群点或复核边界样本。

选择最优簇数

轮廓系数最常见的用途之一是为 KMeans 选择合适的 k。

操作包含三步：

针对一系列 k 值拟合 KMeans
计算每次拟合的轮廓系数
选择分数最高的 k

对应代码如下：

from sklearn.cluster import KMeans
from sklearn.datasets import make_blobs
from sklearn.metrics import silhouette_score

X, _ = make_blobs(n_samples=500, centers=4, cluster_std=1.0, random_state=42)

# Fit KMeans for k=2 to k=10 and keep track of the silhouette score for each
k_values = range(2, 11)
scores = []
for k in k_values:
    kmeans = KMeans(n_clusters=k, random_state=42, n_init=10)
    labels = kmeans.fit_predict(X)
    scores.append(silhouette_score(X, labels))
    print(f"k={k}: silhouette = {scores[-1]:.3f}")

对于每个 k，您会看到类似这样的分数输出：

不同 k 值下的轮廓系数

最高分数出现在 k=4。这就是应选择的值。

需要注意的是，轮廓系数并不能替代领域知识。若业务需要 5 个客户细分，而轮廓系数在 4 时最高，也别立刻选 4。该指标展示的是数据结构最清晰的地方，但有时“正确”的簇数是与您的业务意义相符的那个。

轮廓系数与其他聚类指标的比较

轮廓系数可能是最常用的聚类评估指标，但并非唯一。以下是与其他方法的对比。

轮廓系数 vs. 肘部法

肘部法是为 KMeans 选择 k 的可视化技巧。对一系列 k 拟合模型，绘制惯性（簇内平方和）与 k 的关系曲线，选择曲线出现明显“肘部”的位置。

肘部法的优势在于快速易用。但“肘部”并不总是明显。数据嘈杂时，曲线可能很平滑，难以判断拐点。

轮廓系数为每个 k 提供了具体数值，便于更有意义的比较。虽然计算更慢，但不必依赖主观的视觉判断。

用肘部法做快速健全性检查；当您需要更可据以决策的答案时，用轮廓系数。

轮廓系数 vs. Davies-Bouldin 指数

Davies-Bouldin 指数（DBI）衡量每个簇与其最相似簇之间的平均相似度。DBI 越低越好，完美分数为 0。

DBI 使用簇质心来计算相似度，因此在大数据集上比轮廓系数更快。同时，它也遵循“簇内紧凑、簇间分离”的直觉。

但 DBI 只给出整体聚类的表现。轮廓系数还能给出逐点分数，便于发现边界点和离群点。

当数据集很大且速度关键时用 DBI；当您想查看单个点时用轮廓系数。

轮廓系数 vs. Calinski-Harabasz 指数

Calinski-Harabasz 指数（CH，又称方差比准则）是簇间离散度与簇内离散度的比值。分数越高越好，且无上限。

CH 只涉及簇级统计，因此速度快，适合大数据集。与轮廓系数和 DBI 类似，它也更适用于凸且分离良好的簇。

CH 没有自然量纲，因此只能在同一数据集上比较不同模型的 CH 分数，不能跨数据集比较。

当数据集很大且需要快速得到结果时用 CH；当您需要可解释性与单点洞察时用轮廓系数。

内部指标 vs. 外部指标

上述指标（轮廓系数、DBI、CH、肘部法）都属于内部指标，只利用数据自身、无需真值标签来评估聚类。这也是真实世界聚类问题（通常没有标签）的标准选择。

外部指标会将聚类分配与已知标签比较。常见的有调整兰德指数（ARI）、归一化互信息（NMI）和同质性等。当您有标签并想检验聚类算法能否还原它们时使用外部指标。

没有标签（通常如此）时用内部指标；在带标签数据上对聚类算法做基准测试时用外部指标。

以下是各指标的并列回顾：

方法	取值范围	最佳值	速度	适用场景
轮廓系数	-1 到 1	越接近 1 越好	大数据集上较慢	可解释性与逐点洞察
肘部法	0 到无穷	寻找“肘部”	快	快速检查
Davies-Bouldin 指数	0 到无穷	越接近 0 越好	快	大型数据集
Calinski-Harabasz 指数	0 到无穷	越高越好	快	大型、无标签数据集