模糊聚类有效性指标（一）

在聚类时，有时我们不知道一个数据的最佳聚类数，在这个博客中给出验证聚类的有效性指标。

1. Xi e一 Beni指标XB (Xi e & Beni, 1991年)

XB指标寻找类内紧凑度和类间分离度之间的某个平衡点。

其中
类内紧凑度 = 该公式分子部分/样本数m，越小越好。
类间分离度 = 该公式分母部分*样本数m，越大越好。
XB指标计算结果越小，聚类效果最好。

2. 划分系数与划分熵

划分系数：表示所有模糊类集合所 对应的数据集是紧致的，有唯一的分类，当划分系数达到最大值是聚类效果最好。但是实验结果表明划分系数最大并非总是对应最佳的分类数，不适用于场景较复杂的数据集中。

该指标的取值范围是[1/c, l]。指标值越接近1， 聚类就越明确;指标值越接近I /C， 聚类就越模糊。该指标只和隶属度有关， 和数据的其他属性缺乏直接的联系。 并且随着C 的增加单调下降。
另一个与此似的指标是划分熵：

当划分熵 达到最大值时划分效果最佳。
Bezdeck 证明 对所有的随机聚类分割， 下列关系式成立:
0<=1-PC(c)<=PE (c)。