1. ARI(Adjusted Rand Index) 蘭德系數：聚類效果有一個評價指標。
這個指標不考慮你使用的聚類方法，把你的方法當做一個黑箱，只注重結果。可以說，是一個十分“功利”的指標。
在講ARI之前呢，先講述一下RI，也就是rand index，從兩者的名字也可以看出來，這是ARI的祖宗版。
這里，我們解釋一下a,b,c,d分別代表什么。a呢就是說應該在一類，你最后聚類到一類的數量，b呢就是不應該在一類 ，你最后聚類結果也沒把他們聚類在一起的數量。c和d那么就是應該在一起而被分開的和不應該在一起而被迫住在一起的。畢竟強扭的瓜不甜，c和d固然是錯誤的。所以從R的表達式中可以看出，我們只認為a和b是對的，這樣能夠保證R在0到1之間，而且，聚類越准確，指標越接近於1.
這里有一個關鍵性的問題，就是什么叫數量？你怎么去計算？准確的說，是配對的數量。比如說a是應該在一起而真的幸福的在一起了的數量，這顯然就應該像人類一樣按照小夫妻數量計算，但是我們的樣本可不管一夫一妻制，任意選兩個就是一個配對，所以，就是n(n-1)/2這樣來計算，也就是組合數，n個當中選兩個的選法。同時我們看到，分母其實是所有配對的總和。
2.輪廓系數：聚類評估指標
好的聚類：內密外疏，同一個聚類內部的樣本要足夠密集，不同聚類之間樣本要足夠疏遠。輪廓系數的值是介於 [-1,1] ，越趨近於1代表內聚度和分離度都相對較優。 輪廓系數計算規則：
1）對於簇中的每個向量，分別計算它們的輪廓系數。
對於其中的一個點 i 來說：
計算 簇內不相似度a(i) ：i向量到同簇內其他點不相似程度的平均值，體現凝聚度
計算 簇間不相似度b(i) ：i向量到其他簇的平均不相似程度的最小值，體現分離度
那么第i個對象的輪廓系數就為：
si接近1，則說明樣本i聚類合理；si接近-1，則說明樣本i更應該分類到另外的簇；若si 近似為0，則說明樣本i在兩個簇的邊界上。
2）將所有點的輪廓系數求平均，就是該聚類結果總的輪廓系數。
3.R2 (判斷聚類是否應該停止了)
