Davies-Bouldin指数（DBI）

参考http://blog.sina.com.cn/s/blog_65c8baf901016flh.html

---

用途：聚类算法中评估判断簇的个数是否合适(用来选择k)
原理：计算所有簇的类内距离和类间距离的比值(类内/类间)，比值越小越好。即希望类间距离越大，类内距离越小(数据越集中)越好
公式：
(1)分散度(类内距离)Si:表示第i个类中，度量数据点的分散程度

(2)类间距离Mij:表示第i类中心与第j类中心的距离

(3)两类的相似度：其实就是分散度/类间距离

越分散，类间距离越小，相似度越大
(4)每个类找与它最相似的类的相似度作为其权重，所有相似度加和求平均

总的来说，这个DBI就是计算类内距离之和与类外距离之比，来优化k值的选择，避免K-means算法中由于只计算目标函数Wn而导致局部最优的情况。