搜尋意圖： 如果你在找「輪廓係數 是什麼」或「輪廓係數 和相近概念差在哪」，先看這頁的短定義、完整說明與延伸比較。
TL;DR： 評估非監督式分群品質的指標，衡量每個樣本與所屬群集的緊密程度相對於鄰近群集的分離程度，數值範圍為 -1 到 1。
實用情境： 適合用在閱讀 AI 文章、產品文件或和同事討論時，先用一頁快速對齊概念。
下一步： 先讀完定義，再往下看延伸比較與對應工具，把概念轉成實際應用。
評估非監督式分群品質的指標，衡量每個樣本與所屬群集的緊密程度相對於鄰近群集的分離程度，數值範圍為 -1 到 1。
Silhouette Score（輪廓係數）是機器學習中評估非監督式分群品質的重要工具，由 Peter J. Rousseeuw 於 1987 年提出。其設計核心是在無需外部標籤的前提下，單純從資料的幾何結構判斷分群結果的好壞。
數學定義與計算方式
對於資料集中的任意樣本 i，定義兩個量：a(i) 表示樣本 i 與同群集內所有其他樣本的平均距離，反映該樣本與所屬群集的「緊密程度」（Cohesion）；b(i) 表示樣本 i 到最近鄰群集（非自身群集，但距離最近者）所有樣本的平均距離，反映該樣本與周圍群集的「分離程度」（Separation）。樣本 i 的輪廓係數定義為 s(i) = (b(i) - a(i)) / max(a(i), b(i))。整個分群結果的 Silhouette Score 為所有樣本輪廓係數的算術平均值。
數值解讀
輪廓係數的範圍為 -1 到 +1，其解讀方式如下。當 s(i) 趨近 +1 時，表示 a(i) 遠小於 b(i)，即樣本與同群集其他成員距離很近、與鄰近群集距離很遠，分群效果良好。當 s(i) 趨近 0 時，表示 a(i) ≈ b(i)，樣本位於兩個群集的邊界地帶，歸屬模糊。當 s(i) 趨近 -1 時，表示 a(i) 大於 b(i)，樣本與自身群集距離反而比與鄰近群集更遠，代表樣本可能被分配到了錯誤的群集。一般而言，整體 Silhouette Score 超過 0.5 被視為合理分群，超過 0.7 被視為良好分群，但此門檻會依資料特性而異。
用於選擇最佳 K 值
在 K-Means 等需要預先指定群集數的演算法中，Silhouette Score 是確定最佳 K 值的常用方法之一。做法是對不同 K 值（如 K=2 到 K=10）各跑一次分群，計算每個 K 對應的 Silhouette Score，選取分數最高的 K 作為最終分群數。這個方法比傳統的「肘部法則」（Elbow Method）更具客觀性，因為 Silhouette Score 有明確的數值定義和方向性（越高越好），而肘部法則依賴觀察 WCSS（Within-Cluster Sum of Squares）曲線的「轉折」，存在主觀判斷空間。
與其他內部評估指標的比較
除了 Silhouette Score，常見的分群內部評估指標還有 Davies-Bouldin Index 與 Calinski-Harabasz Index（也稱 Variance Ratio Criterion）。Davies-Bouldin Index 計算每對群集的「相似度」（群內分散程度與群間距離的比值），數值越低表示分群越好。Calinski-Harabasz Index 計算群間離散度與群內離散度的比值，數值越高表示分群越好。三種指標各有側重：Silhouette Score 對每個樣本分別評分後取平均，能識別個別異常樣本；Davies-Bouldin 和 Calinski-Harabasz 則從整體群集層面評估，計算效率較高，適合大規模資料集的快速篩選。
在 iPAS 考試中的考點
在 iPAS AI 應用規劃師考試中，Silhouette Score 是分群任務評估章節的核心考點。考生需掌握：Silhouette Score 是內部評估指標（不需要真實標籤），適用情境是資料本身沒有標籤的非監督式學習；數值解讀規則（+1 良好、0 邊界、-1 錯誤分群）；以及與外部指標（如 Adjusted Rand Index，ARI）的區別，後者需要已知的真實標籤。
計算複雜度與實務限制
Silhouette Score 的計算複雜度為 O(n² × d)，其中 n 為樣本數，d 為特徵維度。對於大型資料集（如百萬筆樣本），全量計算輪廓係數的計算成本相當高。實務上常採用兩種解法：一是隨機採樣子集計算近似分數（如取 10% 樣本）；二是使用 scikit-learn 的 silhouette_samples 函式搭配並行化加速。此外，Silhouette Score 基於距離度量，在高維空間（如文字嵌入向量的 768 或 1536 維）中可能受「維度詛咒」影響，距離度量的區分度降低，此時建議先降維（如 PCA 或 UMAP）再計算。
應用案例
在實際 AI 專案中，Silhouette Score 廣泛用於客戶分群（Customer Segmentation）、文件主題分群（Topic Clustering）、異常偵測前的正常模式建立，以及推薦系統的使用者行為分群。以電商客戶分群為例，行銷團隊可能想將客戶分為高價值常購客、中頻客與低價值新客三群；透過計算 K=2 到 K=8 的 Silhouette Score 曲線，可客觀判斷三群確實優於兩群或四群，從而為行銷策略提供資料依據而非主觀臆測。
常見問題
Silhouette Score 和肘部法則（Elbow Method）哪個更適合用來選擇 K 值？
兩者各有優缺點。肘部法則觀察不同 K 值下群內誤差平方和（WCSS）曲線的「轉折點」，直觀易懂但判斷「肘點」在哪往往帶有主觀性，當曲線過渡平滑時尤其難以判斷。Silhouette Score 提供明確的數值（越接近 1 越好），可直接比較不同 K 值的分數取最大值，客觀性更強。實務建議是兩者同時使用：肘部法則快速縮小候選 K 值範圍，Silhouette Score 在候選範圍內做精確選擇。
Silhouette Score 和 Adjusted Rand Index（ARI）有什麼差別？何時用哪個？
Silhouette Score 是內部指標（Internal Index），完全依賴資料本身的距離結構進行評估，不需要真實的群集標籤，適用於真正的非監督式場景（例如對全新客戶資料做分群，沒有人工標注）。Adjusted Rand Index（ARI）是外部指標（External Index），需要對照已知的真實分群標籤，衡量演算法輸出與真實標籤的一致程度，常用於有帶標注測試集的評估（如評估新分群演算法相較基準的改善幅度）。若手上有真實標籤就優先用 ARI，沒有標籤則用 Silhouette Score。
為什麼在高維嵌入向量上的 Silhouette Score 常常偏低，該如何處理？
在高維空間（如 BERT 產生的 768 維向量或 OpenAI Embedding 的 1536 維向量），所有點之間的歐氏距離趨於相似，這種「維度詛咒」現象使得 a(i) 與 b(i) 的差距縮小，導致 Silhouette Score 普遍偏低，即使分群結構實際上很清晰。處理方式是在計算 Silhouette Score 前先進行降維：可使用 PCA 保留 50-100 維主成分，或使用 UMAP 將嵌入壓縮至 2-10 維，再計算分群指標。降維不僅改善指標的區分度，也能顯著降低 O(n²) 計算的時間成本。