使用聚類算法后顷编，比如k-means，要評價聚類的效果如何哀军，可以用以下指標。
評價聚類模型好的標準：同一簇類的數據集盡可能密集打却，不同簇類的數據集盡可能遠離杉适。
（1）輪廓系數
1.計算當前簇類凝聚度：當前簇類的樣本i到其簇類內所有其他樣本的距離的平均值，記為a柳击。
2.計算當前簇類與鄰居簇類的分離度：樣本i到鄰居簇類（最近那個）內所有樣本的距離的平均值猿推，記為b。由于不知道哪一個簇類是鄰居簇類捌肴，所以要遍歷其他各個簇類蹬叭，選擇距離平均值最小的簇類作為鄰居簇類。
3.對于樣本i状知，計算輪廓系數：
4.計算當前簇類內的所有樣本的輪廓系數的平均值秽五，作為當前簇類的輪廓系數。
值會在（-1饥悴，1）坦喘，不難發(fā)現若s小于0，說明分離度b小于聚合度a铺坞，表示聚類效果不好起宽。我們希望分離度要大洲胖，聚合度要小济榨，即b>>a，這樣聚類效果比較好绿映。
代碼：
from sklearn import metrics
from sklearn.cluster import KMeans
from sklearn import datasets
# 生成數據集
dataset = datasets.load_iris()
X = dataset.data
y = dataset.target
# 構建K均值聚類模型
kmeans_model = KMeans(n_clusters=3, random_state=1).fit(X)
labels = kmeans_model.labels_
# 輪廓系數
metrics.silhouette_score(X, labels, metric='euclidean')
(2) DB指數（Davies-Bouldin Index）
1.計算各個簇類的凝聚度：
各個簇類的凝聚度
2.計算各個簇類之間的分離度：
各個簇類之間的分離度
其中,是簇類中心叉弦。
3.計算DB指數：
DB指數
DB指數越小說明聚類效果越好丐一。DB指數的計算比輪廓系數簡單；DB指數的計算只需要知道數據集的數量和特征淹冰。
（3）CH指數
直接上代碼：
from sklearn import metrics
from sklearn.cluster import KMeans
kmeans_model = KMeans(n_clusters=3, random_state=1).fit(X)
labels = kmeans_model.labels_
metrics.calinski_harabaz_score(X, labels)
當簇類密集且簇間分離較好時库车，Caliniski-Harabaz分數越高，聚類性能越好樱拴。
