聚类算法评估指标

轮廓分数（Silhouette Score）：在不了解样本标签的情况下，评估聚类算法性能的最常用方法。它提供了每个样本索引和全局图形表示，显示了聚类的内部一致性和分离水平。
调整的兰德系数（ARI）：取值范围在[-1,1]，值越大意味着聚类结果与真实情况相吻合。
互信息评分（MI）：可以利用互信息衡量实际类别与预测类别的吻合程度。
同质性、完整性和调和平均：范围为[0,1]，值越大代表着聚类效果与真实情况越吻合。
轮廓系数：轮廓系数是所有样本轮廓系数的平均值。轮廓系数的范围为[-1,1]，同类别样本距离越近且不同类别样本距离越远，分数越高。
Calinski-Harabz指数：簇之间的协方差越大，簇与簇之间界限越明显，聚类效果也就越好。簇内部数据的协方差越小，同一个簇内包含的样本越相似，聚类效果越好。