评价聚类算法的指标，如何评价聚类结果的好坏

1，如何评价聚类结果的好坏

有评价指标，常用的有：

1）芮氏指标（简称RI）

2）归一化互信息（简称NMI）

一直就觉得聚类，甚至是无监督学习结果的评价方法在理论上不那么令人信服不像有监督学习那样可以有一事一有二是二的说这个东西分对了就是分对了，错了就是错了除了用眼睛看之外，有什么比较靠谱的聚类评价结果吗？

2，怎么度量聚类算法的可信度?

针对传统的欧氏距离计算相异度的不足,在研究已有的相似性度量方法的基础上提出一种新的相似性计算方法，对此进行分析，说明了该度量方法有更好的可解释性；把它用于k-means聚类算法中跟欧氏距离进行比较，在uci基准数据集上的实验表明,该方法有更稳定的聚类结果，且提高了聚类准确率，是一种有效的聚类度量方法

简单点的可以从sizedistance或者similarity上入手，如果是矩阵还可以算meansquaredresidue和rowvariance，当然还可以从stability等方面入手，要有可信度最关键的要和其他的算法或软件得到的数据比较，证明你更好达到了的目的，这才是王道！

3，企业信息化的评价指标有哪些,如何对其进行聚类分析?

其实这些评价指标的分析的确让人头疼，你可以从层次分析法的这个角度来分析，将这些指标肢解，将问题包含的因素分层：最高层（解决问题的目的）；中间层（实现总目标而采取的各种措施，必须考虑的准则等也可称策略层，约束层，准则层等）；最低层（用于解决问题的各种措施，方案等）把各种所要考虑的因素放在适当的层次内用层次结构图清晰地表达这些因素的关系即可可以参照管理运筹学的观点，再看看其他期刊的评价指标，不就简单多了吗？

4，灰色聚类分析的原理和步骤

（1）给出聚类白化数：选取n个聚类对象，得到m个聚类指标，构造一个n×m表；（2）将聚类白化数输入计算机，进入灰色聚类分析评价的算法，包括将聚类白化数进行均值化无量纲化处理；确定每个聚类对象各个聚类指标值所属的灰类；采用估值法或插值法求出各个灰类的白化权函数值；标定聚类权灰数矩阵；构造聚类矩阵；（3）根据步骤（2）的结果进行灰色评价