评估聚类效果

本关任务

本关实现准确度评估函数，来评估聚类算法的效果。

相关知识

在前三个关卡中，我们学习了 K-measn 聚类算法中，三个比较关键的组成部分，包括欧几里得距离计算公式、找出每个样本的最近邻簇中心和重新计算每个簇的聚类中心。本关卡中，我们将学习评估聚类算法优劣的方法。

通常对于一个具有 K 个簇的数据集 {(x,y)}，x 是单个样本，y （1<=y<=K）是其所在的簇标识。我们的聚类算法会针对每个样本 x 输出一个他所在的簇，记为y'（1<=y'<=K）。为了评估聚类算法的效果，我们需要比较算法得出的 y'和实际数据集中的簇 y 的差异。

一种比较常见的评估聚类算法好坏的指标就是精度，定义为：

Accu\fracy(yˉ​,y)=i∑n​I(yˉ​i​=yi​)/N

其中 N 是数据集中的样本个数，公式：

I(yˉ​i​=yi​)

代表比较函数，若两者相等则输出 1，否则输出 0。

编程要求

本关卡要求你实现函数 acc，在右侧编辑器 Begin-End 区间补充代码，需要填充的代码块如下：

1. # -*- coding: utf-8 -*-
2. def acc(x1, x2):
3. """计算精度
4. 参数:
5. x1 - numpy数组
6. x2 - numpy数组
7. 返回值：
8. value - 浮点数，精度
9. """
10. value = 0
11. # 请在此添加实现代码 #
12. #********** Begin *********#
14. #********** End ***********#
15. return value

测试说明

平台将对你的函数输入两个整数向量，比对函数 acc 的输出结果与正确结果的差异，只有完全正确才能通关。

代码：

# -*- coding: utf-8 -*-
def acc(x1, x2):
    """计算精度
    参数:
        x1 - numpy数组
        x2 - numpy数组
    返回值：
        value - 浮点数，精度
    """
    value = 0
    #   请在此添加实现代码     #
    #********** Begin *********#
    import numpy as np
    value = float(np.sum(x1==x2))/len(x1)
    #********** End ***********#
    return value