Python輪廓系數(shù)法（Silhouette Coefficient）是一種度量聚類算法效果的方法，它結(jié)合了聚類內(nèi)部的密度和不同聚類之間的分離程度，可以用來幫助我們評估聚類是否合理、聚類結(jié)果是否合適。

#導(dǎo)入聚類算法庫和數(shù)據(jù)集
from sklearn.datasets import make_blobs
from sklearn.cluster import KMeans
from sklearn.metrics import silhouette_score
# 生成示例數(shù)據(jù)
X, y = make_blobs(n_samples=1000, n_features=2, centers=4, random_state=2)
# 評估KMeans聚類算法效果
for k in range(2, 10):
kmeans = KMeans(n_clusters=k)
y_pred = kmeans.fit_predict(X)
score = silhouette_score(X, y_pred)
print('K={0}, 輪廓系數(shù)={1}'.format(k, score))

以上代碼先生成了一個二維隨機數(shù)據(jù)集，然后通過遍歷不同的K值，使用KMeans聚類算法擬合數(shù)據(jù)，然后計算輪廓系數(shù)來衡量聚類效果。

對于每一個K值，都會得到一個輪廓系數(shù)來衡量聚類效果，輪廓系數(shù)越接近1則表示聚類效果越好，建議選擇該K值。如果輪廓系數(shù)小于0則表示該聚類算法效果較差，需要重新考慮使用其他聚類算法或者調(diào)整超參。