使用聚类算法后，比如k-means，要评价聚类的效果如何，可以用以下指标。
评价聚类模型好的标准：同一簇类的数据集尽可能密集，不同簇类的数据集尽可能远离。
（1）轮廓系数
1.计算当前簇类凝聚度：当前簇类的样本i到其簇类内所有其他样本的距离的平均值，记为a。
2.计算当前簇类与邻居簇类的分离度：样本i到邻居簇类（最近那个）内所有样本的距离的平均值，记为b。由于不知道哪一个簇类是邻居簇类，所以要遍历其他各个簇类，选择距离平均值最小的簇类作为邻居簇类。
3.对于样本i，计算轮廓系数：
4.计算当前簇类内的所有样本的轮廓系数的平均值，作为当前簇类的轮廓系数。
值会在（-1，1），不难发现若s小于0，说明分离度b小于聚合度a，表示聚类效果不好。我们希望分离度要大，聚合度要小，即b>>a，这样聚类效果比较好。
代码：
from sklearn import metrics
from sklearn.cluster import KMeans
from sklearn import datasets
# 生成数据集
dataset = datasets.load_iris()
X = dataset.data
y = dataset.target
# 构建K均值聚类模型
kmeans_model = KMeans(n_clusters=3, random_state=1).fit(X)
labels = kmeans_model.labels_
# 轮廓系数
metrics.silhouette_score(X, labels, metric='euclidean')
(2) DB指数（Davies-Bouldin Index）
1.计算各个簇类的凝聚度：
各个簇类的凝聚度
2.计算各个簇类之间的分离度：
各个簇类之间的分离度
其中,是簇类中心。
3.计算DB指数：
DB指数
DB指数越小说明聚类效果越好。DB指数的计算比轮廓系数简单；DB指数的计算只需要知道数据集的数量和特征。
（3）CH指数
直接上代码：
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)
当簇类密集且簇间分离较好时，Caliniski-Harabaz分数越高，聚类性能越好。
