MATLAB聚類有效性評價指標（內部）
作者：凱魯嘎吉 - 博客園 http://www.cnblogs.com/kailugaji/
外部評價指標(需要真實標簽)，請看：MATLAB聚類有效性評價指標（外部），MATLAB聚類有效性評價指標（外部 成對度量）
MATLAB中有一個聚類內部評價指標的函數evalclusters()，即不需要知道聚類中數據的真實標簽，也可以評價聚類的好壞。
若事先不知道數據的真實類別信息，使用內部評價指標；若數據的真實標簽已知，用外部評價指標。
關於函數的官網，請看：https://www.mathworks.com/help/stats/evalclusters.html
1. evalclusters()函數用法
- eva= evalclusters(data,clust,'xxx');
- data：可以是歸一化/標准化之后的。
- clust：聚類后的標簽，參數可以是字符串或者矩陣，字符串了話就要寫matlab規定的聚類算法，比如'kmeans'。如果你用的不是matlab自帶的聚類算法去聚類的，而是想評估自己寫的聚類算法性能，那么clust就填寫你聚類結果的標簽矩陣Label就行了，比如你的數據data是N*M的，N是樣本個數，M是特征維數。那么標簽矩陣Label就是N*1的矩陣，代表聚類后每個樣本的標簽，這樣就可以輸出評估結果了。
- 'xxx'：可以選擇四種評價指標：'CalinskiHarabasz' | 'DaviesBouldin' | 'gap' | 'silhouette'
- 'CalinskiHarabasz': Calinski-Harabasz index (CHI，越大越好)
- 'DaviesBouldin': Davies-Bouldin index(用的最多，越小越好)
- 'gap': gap statistic (越大越好)
- 'silhouette': silhouette coefficient (SC，輪廓系數，越大越好)
2. MATLAB程序
實驗數據來自：https://www.cnblogs.com/kailugaji/p/10861064.html#_label3_0_1_2，將生成的三維數據存為data.txt。
clear
clc
% 作者：凱魯嘎吉 https://www.cnblogs.com/kailugaji/
% 用了SC與DBI這兩個指標
% label：聚類后的標簽，不是真實標簽
data_load = dlmread("data.txt");
data = data_load(:, 1:end-1);
label = data_load(:, end); % 真實標簽
label_2 = [ones(180, 1); 2.*ones(120, 1)]; % 瞎寫的標簽
%% 真實標簽的評價結果
eva_DBI_1= evalclusters(data,label,'DaviesBouldin');
eva_SC_1= evalclusters(data,label,'silhouette');
DBI_1 = eva_DBI_1.CriterionValues; % 越小越好
SC_1 = eva_SC_1.CriterionValues; % 越大越好
%% 瞎寫的標簽的評價結果
eva_DBI_2= evalclusters(data,label_2,'DaviesBouldin');
eva_SC_2= evalclusters(data,label_2,'silhouette');
DBI_2 = eva_DBI_2.CriterionValues; % 越小越好
SC_2 = eva_SC_2.CriterionValues; % 越大越好
%% 顯示評價結果
fprintf("DBI越小越好：DBI(真實標簽): %f, DBI(壞標簽): %f\n", DBI_1, DBI_2); % 越小越好
fprintf("SC越大越好：SC(真實標簽): %f, SC(壞標簽): %f\n", SC_1, SC_2); % 越大越好
3. 結果
DBI越小越好：DBI(真實標簽): 0.892058, DBI(壞標簽): 0.938236
SC越大越好：SC(真實標簽): 0.599176, SC(壞標簽): 0.574342