问下大家一个关于测量聚类程度好坏的办法

不一定非要用mma做这里就是探讨下方法

我现在有一个m行n列的矩阵 并且有个m个的label与之对应 这样矩阵里每一行都对应一个label 现在我想知道到底这个矩阵在多大程度上表达了label信息 我怎么做

在mma里我试了两个办法 第一个是用DimensionReduce的tsne降维到二维 矩阵变成m*2的矩阵 然后可视化出来观察 到这只能看没有具体度量 另一个是先用Nearest对于矩阵中任何一行，总有另一行与它距离最近，我看下他们的label是不是一样，最后做一个n*n的混淆矩阵图 不过也只能看没数字指标

有没有一种衡量矩阵的空间的拓扑性质的指标呢

我注意到python的机器学习库scikit-learn有两个函数
sklearn.metrics.silhouette_score(X, labels）
sklearn.metrics.calinski_harabaz_score(X, labels）
第一个指标输出的值域在[-1,1]之间 越大聚类特性越好
对于不正确的 clustering （聚类），分数为 -1 ， highly dense clustering （高密度聚类）为 +1 。零点附近的分数表示 overlapping clusters （重叠的聚类）。
第二个指标输出的值域为正数 越大聚类特性越好
当 cluster （簇）密集且分离较好时，分数更高，这与一个标准的 cluster（簇）有关。
不过有时候会出现A簇的silhouette_score大于B簇，A簇的calinski_harabaz_score小于B簇的情况发生 怎么办呢

可以看到虽然使用混淆矩阵和降维可以显示 但终究不是一个客观的指标