我如何提高k-的轮廓分数？意味着聚类

Question

我有一个有关某些客户的数据集，其中有18000行，例如：

我正在尝试使用K-Means算法进行一些聚类。 由于我具有分类和连续变量，因此我为分类变量创建了一些假人

#dummy codification
dataML=pd.get_dummies(dataML)

#print(dataML.head())
X=dataML
mms=StandardScaler()
Xnorm=mms.fit_transform(X)

，然后继续进行群集

#Fit k-means , k=3
#3 clusters, 10 initializations(find 10 times the initial clusters(random), max iterations, seed)
km=KMeans(n_clusters=4,n_init=10,max_iter=30,random_state=42)
y_kmeans=km.fit_predict(Xnorm)

#K-labels assigned
print("Labels assigned: ")
print(y_kmeans)

#The lowest SSE value
print("The lowest SSE value: " ,km.inertia_)

#The number of iterations required to converge
print("Num iterations to converge: ",km.n_iter_)

print("Final centers")
print(km.cluster_centers_)

#Clustering evaluation
#Silhouette score

#the closest to 1 the better
silSc=silhouette_score(X,y_kmeans,metric="euclidean")
print("Silhouette score: " , round(silSc,3))

，但是我得到了负式轮廓分数值。我的代码有问题吗？

我尝试删除标准标准，而Silhoutte得分高达0.6。为什么会发生这种情况？