聚类作为无监督学习领域的核心任务，旨在基于样本特征的相似性将数据集划分为若干个簇，使得同簇样本相似度高、跨簇样本相似度低。由于聚类任务通常不存在预先标注的真实类别标签，如何科学量化聚类效果的优劣，成为算法选型、参数调优过程中最关键的环节，由此衍生出的聚类评估指标体系，主要分为外部评估指标和内部评估指标两大类。

### 外部评估指标（有真实标签场景）
外部评估指标以预先标注的真实类别标签为基准，对比聚类输出结果与真实标签的匹配度，评估结果客观性较强，是有标注场景下的优先选择。
1. **调整兰德指数（ARI）**：普通兰德指数（RI）通过统计所有两两样本对的划分一致性计算得分，即同时被划分到同簇/不同簇的样本对占总样本对的比例，取值范围为[0,1]，得分越高匹配度越高。但普通兰德指数存在“随机聚类也能得到较高得分”的缺陷，调整兰德指数（ARI）在此基础上扣除了随机聚类的期望得分，取值范围调整为[-1,1]：得分为1代表聚类结果与真实标签完全一致，得分为0代表聚类效果与随机划分无差异，得分为负则说明聚类效果差于随机划分。
2. **归一化互信息（NMI）**：互信息衡量两个概率分布的信息重合程度，聚类场景下即衡量聚类结果分布与真实标签分布共享的信息量。为了消除类别数量差异对得分的影响，归一化互信息将得分映射到[0,1]区间，得分越接近1代表聚类结果与真实标签的信息重合度越高，尤其适合对比不同类别数的聚类方案的效果。
3. **Fowlkes-Mallows指数（FM指数）**：FM指数是聚类结果相对于真实标签的精确率与召回率的几何平均值，取值范围为[0,1]，得分越高代表聚类效果越好。相较于ARI，FM指数对数据集噪声和离群点的鲁棒性更强，在高噪场景下的评估结果更可靠。

### 内部评估指标（无真实标签场景）
当数据集不存在预先标注的真实标签时，需要基于数据集本身的特征分布评估聚类效果，核心评判逻辑是“簇内紧凑度高、簇间区分度大”。
1. **轮廓系数**：轮廓系数是应用最广泛的内部评估指标，针对单个样本的计算公式为$s(i)=\frac{b(i)-a(i)}{max\{a(i),b(i)\}}$，其中$a(i)$是样本$i$到同簇其他样本的平均距离（代表簇内相似度），$b(i)$是样本$i$到最近的其他簇所有样本的平均距离（代表簇间差异性）。所有样本轮廓系数的平均值即为整体聚类结果的轮廓系数，取值范围为[-1,1]：得分接近1代表聚类效果优秀，簇内紧密且簇间区分明显；得分接近0代表簇与簇之间存在重叠；得分接近-1代表大量样本被错误划分。
2. **戴维森堡丁指数（DBI）**：DBI的计算逻辑是，对每一个簇，计算其与其他所有簇的“簇内平均距离之和与簇中心距离的比值”，取所有比值的最大值作为最终得分。DBI的取值范围为$[0,+\infty)$，得分越低代表聚类效果越好，得分为0代表所有簇完全分离且簇内样本高度紧凑。DBI计算效率高，对大样本数据集的适配性更好，但对高维稀疏数据的评估效果较差。
3. **邓恩指数（Dunn Index）**：邓恩指数的计算公式为“任意两个簇之间的最小距离 / 所有簇的最大直径”，其中簇直径指簇内最远两个样本的距离。邓恩指数的取值范围为$[0,+\infty)$，得分越高代表聚类效果越好，意味着簇间距离越大、簇内样本越紧凑。但邓恩指数对离群点和噪声极其敏感，少量异常样本就可能大幅拉低最终得分，因此更适合低噪场景下的聚类评估。

### 指标选择的注意事项
在实际应用中，首先要根据是否存在真实标签选择指标大类：有标注的场景下优先选择外部指标，评估结果的可信度更高；无标注场景下需结合数据特性选择内部指标，比如高噪场景避免使用邓恩指数，大样本场景优先选择DBI降低计算成本。其次，单一指标的评估结果存在局限性，建议结合多个指标交叉验证，避免指标本身的缺陷导致评估偏差。此外，聚类评估最终需要结合业务目标判断，比如用户分群场景下，即使指标得分优秀，如果划分出的簇没有业务解释性，也不能判定为合格的聚类结果。

综上，聚类评估指标是聚类落地应用的核心支撑，只有结合数据特性、业务场景选择适配的评估指标，才能科学评判聚类效果，为算法优化提供明确的方向。

本文由AI大模型（Doubao-Seed-1.6）结合行业知识与创新视角深度思考后创作。