聚类dbi指数_聚类算法评价指标——Davies-Bouldin指数(Dbi)

最近在做一个时空序列聚类的小项目，度量聚类优劣的指标使用到了DBI指数，所以开始学习了一下DBI指数，以下是我的理解和基于python3的实现：

戴维森堡丁指数(DBI)，又称为分类适确性指标，是由大卫L·戴维斯和唐纳德·Bouldin提出的一种评估聚类算法优劣的指标。首先假设我们有m个时间序列，这些时间序列聚类为n个簇。m个时间序列设为输入矩阵X，n个簇类设为N作为参数传入算法。使用下列公式进行计算：

这个公式的含义是度量每个簇类最大相似度的均值。

接下来是算法的具体计算步骤：

1、计算Si

DBI计算公式中首先定义了Si变量，Si计算的是类内数据到簇质心的平均距离，代表了簇类i中各时间序列的分散程度，计算公式为：其中Xj代表簇类i中第j个数据点，也就是一个时间序列，Ai是簇类i的质心，Ti是簇类i中数据的个数，p在通常情况下取2，这样就可以计算独立的数据点和质心的欧式距离(euclidean metric)，当然在考察流型和高维数据的时候，欧氏距离也许不是最佳的距离计算方式，但也是比较典型的了。

2、计算Mij

分子之和计算完后，需计算分母Mij，定义为簇类i与簇类j的距离，计算公式为：

ak,i代表簇类i质心点的第k个值，Mij就是簇类i与簇类j质心的距离。

3、计算Rij

计算了分子与分母后，DBI定义了一个衡量相似度的值Rij，计算公式为：

4、计算DBI

有了