1700535646
以中心定义的数据簇：这类数据集合倾向于球形分布，通常中心被定义为质心，即此数据簇中所有点的平均值。集合中的数据到中心的距离相比到其他簇中心的距离更近。
1700535647
1700535648
以密度定义的数据簇：这类数据集合呈现和周围数据簇明显不同的密度，或稠密或稀疏。当数据簇不规则或互相盘绕，并且有噪声和离群点时，常常使用基于密度的簇定义。
1700535649
1700535650
以连通定义的数据簇：这类数据集合中的数据点和数据点之间有连接关系，整个数据簇表现为图结构。该定义对不规则形状或者缠绕的数据簇有效。
1700535651
1700535652
以概念定义的数据簇：这类数据集合中的所有数据点具有某种共同性质。
1700535653
1700535654
由于数据以及需求的多样性，没有一种算法能够适用于所有的数据类型、数据簇或应用场景，似乎每种情况都可能需要一种不同的评估方法或度量标准。例如，K均值聚类可以用误差平方和来评估，但是基于密度的数据簇可能不是球形，误差平方和则会失效。在许多情况下，判断聚类算法结果的好坏强烈依赖于主观解释。尽管如此，聚类算法的评估还是必需的，它是聚类分析中十分重要的部分之一。
1700535655
1700535656
聚类评估的任务是估计在数据集上进行聚类的可行性，以及聚类方法产生结果的质量。这一过程又分为三个子任务。
1700535657
1700535658
（1）估计聚类趋势。
1700535659
1700535660
这一步骤是检测数据分布中是否存在非随机的簇结构。如果数据是基本随机的，那么聚类的结果也是毫无意义的。我们可以观察聚类误差是否随聚类类别数量的增加而单调变化，如果数据是基本随机的，即不存在非随机簇结构，那么聚类误差随聚类类别数量增加而变化的幅度应该较不显著，并且也找不到一个合适的K对应数据的真实簇数。
1700535661
1700535662
另外，我们也可以应用霍普金斯统计量（Hopkins Statistic）来判断数据在空间上的随机性[7]。首先，从所有样本中随机找n个点，记为p1,p2,…,pn，对其中的每一个点pi，都在样本空间中找到一个离它最近的点并计算它们之间的距离xi，从而得到距离向量x1,x2,…,xn；然后，从样本的可能取值范围内随机生成n个点，记为q1,q2,…,qn，对每个随机生成的点，找到一个离它最近的样本点并计算它们之间的距离，得到y1,y2,…,yn。霍普金斯统计量H可以表示为：
1700535663
1700535664
1700535665
．
1700535666
1700535667
（5.15）
1700535668
1700535669
1700535670
1700535671
1700535672
如果样本接近随机分布，那么和的取值应该比较接近，即H的值接近于0.5；如果聚类趋势明显，则随机生成的样本点距离应该远大于实际样本点的距离，即，H的值接近于1。
1700535673
1700535674
（2）判定数据簇数。
1700535675
1700535676
确定聚类趋势之后，我们需要找到与真实数据分布最为吻合的簇数，据此判定聚类结果的质量。数据簇数的判定方法有很多，例如手肘法和Gap Statistic方法。需要说明的是，用于评估的最佳数据簇数可能与程序输出的簇数是不同的。例如，有些聚类算法可以自动地确定数据的簇数，但可能与我们通过其他方法确定的最优数据簇数有所差别。
1700535677
1700535678
（3）测定聚类质量。
1700535679
1700535680
给定预设的簇数，不同的聚类算法将输出不同的结果，如何判定哪个聚类结果的质量更高呢？在无监督的情况下，我们可以通过考察簇的分离情况和簇的紧凑情况来评估聚类的效果。定义评估指标可以展现面试者实际解决和分析问题的能力。事实上测量指标可以有很多种，以下列出了几种常用的度量指标，更多的指标可以阅读相关文献[8]。
1700535681
1700535682
1700535683
1700535684
1700535685
轮廓系数：给定一个点p，该点的轮廓系数定义为 ，
1700535686
1700535687
（5.16）
1700535688
1700535689
其中a(p)是点p与同一簇中的其他点p’之间的平均距离；b(p)是点p与另一个不同簇中的点之间的最小平均距离（如果有n个其他簇，则只计算和点p最接近的一簇中的点与该点的平均距离）。a(p)反映的是p所属簇中数据的紧凑程度，b(p)反映的是该簇与其他临近簇的分离程度。显然，b(p)越大，a(p)越小，对应的聚类质量越好，因此我们将所有点对应的轮廓系数s(p)求平均值来度量聚类结果的质量。
1700535690
1700535691
1700535692
1700535693
1700535694
均方根标准偏差（Root-mean-square standard deviation，RMSSTD）：用来衡量聚结果的同质性，即紧凑程度，定义为 ，
1700535695