這是一個衡量「數據分群分得好不好」的指標。簡單來說，就是看每一組成員是不是「對內夠團結、對外夠排斥」。
白話：「你跟家人的距離」。
計算你與同組內其他所有人的平均距離。距離越短，代表你們這組越凝聚。
白話：「你跟鄰居的距離」。
計算你與隔壁最近那一組所有人的平均距離。距離越長，代表你跟外人分得越清楚。
白話：「你的歸屬感得分」。
介於 -1 到 1 之間。分數越高，代表你待在這一組越正確。
// 每個點的得分計算方式：
Score = (與鄰居距離 b - 與家人距離 a) / 最大值(a, b)
| 值 | 意思 |
|---|---|
| 接近 +1 | 分群紮實、離其他群遠 |
| 接近 0 | 在兩群邊界、模稜兩可 |
| 接近 −1 | 可能被分錯群 |
| 平均值 | 拿來選最佳群數 K |
輪廓係數是最常用的分群內部評估指標,iPAS 分群考點(中級科目三)。重點:每點算 (b 減 a) 除以 max(a, b),a 是與同群的平均距離、b 是與最近他群的平均距離,值介於 -1 到 1,越接近 1 越好。易混點:它不需真實標籤(內部指標),但偏好球狀凸群、對 DBSCAN 任意形狀群較不公平(可改用 DBCV)。情境:挑 k、比較分群結果好壞。
想練情境題與詳解 → AI 學習與考證地圖
評估分群品質的指標：對每點比較與同群的緊密度 a 和與最近他群的分離度 b，值在 −1 到 1，越接近 1 越好。
s=(b−a)/max(a,b)；接近 1 代表分群好(群內近、群間遠)、接近 0 在邊界、負值代表可能分錯群；取所有點平均看整體。
不只看群內緊密(像 SSE)，還納入群間分離，且有明確數值範圍可比較、較客觀；可用來選 K(挑平均輪廓最高者)。
計算成本較高(需算點對距離)、對非凸或密度不均的群可能失準；高維時距離鑑別力下降也會影響。
適合 K-means、階層式等；對 DBSCAN(有雜訊點、任意形狀)解讀需小心，可改用 DBCV 等密度型指標。