ValueError：标签数为 1。使用 silhouette_score 时，有效值为 2 到 n_samples - 1（含）

Question

我正在尝试计算 silhouette score，因为我找到了要创建的最佳集群数量，但收到一条错误消息：

ValueError: Number of labels is 1. Valid values are 2 to n_samples - 1 (inclusive)

我无法理解其原因。这是我用来聚类和计算silhouette score 的代码。

我读取了包含要聚类的文本的 csv，并在 n 聚类值上运行 K-Means。我收到此错误的原因可能是什么？

  #Create cluster using K-Means
#Only creates graph
import matplotlib
#matplotlib.use('Agg')
import re
import os
import nltk, math, codecs
import csv
from nltk.corpus import stopwords
from gensim.models import Doc2Vec
from sklearn.cluster import KMeans
import matplotlib.pyplot as plt
import pandas as pd
from sklearn.metrics import silhouette_score

model_name = checkpoint_save_path
loaded_model = Doc2Vec.load(model_name)

#Load the test csv file
data = pd.read_csv(test_filename)
overview = data['overview'].astype('str').tolist()
overview = filter(bool, overview)
vectors = []

def split_words(text):
  return ''.join([x if x.isalnum() or x.isspace() else " " for x in text ]).split()

def preprocess_document(text):
  sp_words = split_words(text)
  return sp_words

for i, t in enumerate(overview):
  vectors.append(loaded_model.infer_vector(preprocess_document(t)))

sse = {}
silhouette = {}


for k in range(1,15):
  km = KMeans(n_clusters=k, max_iter=1000, verbose = 0).fit(vectors)
  sse[k] = km.inertia_
  #FOLLOWING LINE CAUSES ERROR
  silhouette[k] = silhouette_score(vectors, km.labels_, metric='euclidean')

best_cluster_size = 1
min_error = float("inf")

for cluster_size in sse:
    if sse[cluster_size] < min_error:
        min_error = sse[cluster_size]
        best_cluster_size = cluster_size

print(sse)
print("====")
print(silhouette)

Answer 1

产生错误是因为您有一个循环用于不同数量的集群n。在第一次迭代中，n_clusters 是 1 并且 这导致 all(km.labels_ == 0) 成为 True。

换句话说，你只有一个标签为 0 的集群（因此，np.unique(km.labels_) 打印 array([0], dtype=int32)）。

---

silhouette_score 需要超过 1 个集群标签。这会导致错误。错误信息很清楚。

---

示例：

from sklearn import datasets
from sklearn.cluster import KMeans
import numpy as np

iris = datasets.load_iris()
X = iris.data
y = iris.target

km = KMeans(n_clusters=3)
km.fit(X,y)

# check how many unique labels do you have
np.unique(km.labels_)
#array([0, 1, 2], dtype=int32)

我们有 3 个不同的集群/集群标签。

silhouette_score(X, km.labels_, metric='euclidean')
0.38788915189699597

该功能运行良好。

---

现在，让我们引发错误：

km2 = KMeans(n_clusters=1)
km2.fit(X,y)

silhouette_score(X, km2.labels_, metric='euclidean')

ValueError: Number of labels is 1. Valid values are 2 to n_samples - 1 (inclusive)

Answer 2

从文档中，

请注意，仅当标签数量为 2 时才定义轮廓系数

所以解决这个问题的一种方法是不使用for k in range(1,15)，而是尝试从k = 2 开始迭代，即for k in range(2,15)。这对我有用。

Answer 3

尝试更改 min_samples 以及算法和指标。

用于指标和算法的有效列表。 sklearn.neighbors.VALID_METRICS

Answer 4

尝试增加您的 eps 值。我也遇到了同样的错误，但是当我选择更高的 eps 值时，错误就消失了。