聚類結果的好壞，有很多種指標，其中F-Measue即F值是常用的一種，其中包括precision(查准率或者准確率)和recall(查全率或者召回率)。
F-Measue是信息檢索中常用的評價標准。
F-Measue的公式如下：
\[{{F}_{\beta }}=\frac{\left( {{\beta }^{2}}+1 \right)P\cdot R}{{{\beta }^{2}}\cdot P+R}\]
其中${\beta}$是參數，P是precision,R是reacll。通常${\beta}$取1，即：
\[F=\frac{2\cdot P\cdot R}{P+R}\]
設人工標記的分類簇為${{P}_{j}}$，聚類算法分類簇為${{C}_{i}}$
precision、recall個人感覺准確率和查全率翻譯的更方便理解些。
precision(查准率或者准確率)：
\[P({{P}_{j}},{{C}_{i}})=\frac{\left| {{P}_{j}}\cap {{C}_{i}} \right|}{\left| {{C}_{i}} \right|}\]
recall(查全率或者召回率)：
\[R({{P}_{j}},{{C}_{i}})=\frac{\left| {{P}_{j}}\cap {{C}_{i}} \right|}{\left| {{P}_{j}} \right|}\]
F-Measure:
\[F\left( {{P}_{j}},{{C}_{i}} \right)=\frac{2\times P({{P}_{j}},{{C}_{i}})\times R\left( {{P}_{j}},{{C}_{i}} \right)}{P\left( {{P}_{j}},{{C}_{i}} \right)+R\left( {{P}_{j}},{{C}_{i}} \right)}\]
獲得一個矩陣，不同於信息檢索的是F-Measure有多個，並且人工標記簇的個數和聚類算法得到的簇個數不一定相等。
若已人工標記的簇${{P}_{j}}$為基准，則聚類算法結果越接近人工標記的結果效果越好。也是推薦使用的指標
針對每一個人工標記的${{P}_{j}}$選擇${{C}_{i}}$中最接近的作為其F值：
\[F\left( {{P}_{j}} \right)=\underset{1\le i\le m}{\mathop{\max }}\,F({{P}_{j}},{{C}_{i}})\]
然后對所得到的F值進行加權平均，得到最終的一個直觀的F值
\[F=\sum\limits_{j=1}^{S}{{{w}_{j}}\cdot F\left( {{P}_{j}} \right)},\ {{w}_{j}}=\frac{\left| {{P}_{j}} \right|}{\sum\limits_{i=1}^{s}{\left| {{P}_{i}} \right|}}=\frac{\left| {{P}_{j}} \right|}{n}\]
代碼：
function [FMeasure,Accuracy] = Fmeasure(P,C) % P為人工標記簇 % C為聚類算法計算結果 N = length(C);% 樣本總數 p = unique(P); c = unique(C); P_size = length(p);% 人工標記的簇的個數 C_size = length(c);% 算法計算的簇的個數 % Pid,Rid：非零數據：第i行非零數據代表的樣本屬於第i個簇 Pid = double(ones(P_size,1)*P == p'*ones(1,N) ); Cid = double(ones(C_size,1)*C == c'*ones(1,N) ); CP = Cid*Pid';%P和C的交集,C*P Pj = sum(CP,1);% 行向量，P在C各個簇中的個數 Ci = sum(CP,2);% 列向量，C在P各個簇中的個數 precision = CP./( Ci*ones(1,P_size) ); recall = CP./( ones(C_size,1)*Pj ); F = 2*precision.*recall./(precision+recall); % 得到一個總的F值 FMeasure = sum( (Pj./sum(Pj)).*max(F) ); Accuracy = sum(max(CP,[],2))/N; end