聚类的性能度量大致有两类：“外部指标”和“内部指标”。

外部指标：是指把算法得到的划分结果跟某个外部的“参考模型”（如专家给出的划分结果）比较。

定义：

有如下常用的聚类性能度量的外部指标：

Jaccard系数（JC）：

FM指数（FMI）：

Rand指数（RI）：

容易看出，这些指标的值都在[0,1]之间，且越大越好。

内部指标：是指直接考察聚类结果，不利用任何参考模型的指标。

定义：

有如下常用的聚类性能度量的内部指标：

DB指数（DBI）：

Dunn指数（DI）：

DBI指标python代码实现：

#簇内样本间平均距离
mean_dist = [0,0,0];
for i in range(k):
    for j in range(len(result[i])):
        for l in range(j+1,len(result[i])):
            mean_dist[i] += np.sqrt(sum((x[result[i][j]] - x[result[i][l]])**2))
    mean_dist[i] = mean_dist[i] * 2 / (len(result[i]) * (len(result[i]) - 1))
#print(mean_dist)

DBI = 0;
for i in range(k):
    the_max = 0;
    for j in range(k):
        if i != j:
            center_dist = np.sqrt(sum((mean_point[i] - mean_point[j])**2))
            tmp_max = (mean_dist[i] + mean_dist[j]) / center_dist
            if tmp_max > the_max:
                the_max = tmp_max
    DBI += the_max
DBI /= k

参考资料：周志华《机器学习》