一、聚類分析算法評價
聚類分析僅根據樣本數據本身將樣本分組。其目標是實現組內的對象相互之間是相似的（相關的），而不同組中的對象是不同的（不相關的）。組內的相似性越大，組間差別越大，聚類效果就越好。
（1）purity評價法
（2）RI評價法
（3）F值評價法
二、python主要聚類分析算法
python的聚類相關的算法主要在Scikit-Learn中，python裏面實現的聚類主要包括K-Means聚類、層次聚類、FCM以及神經網絡聚類。
聚類主要函數列表：
這些不同模型的使用方法是大同小異的，基本都是先用對應的函數建立模型，然後用.fit(）方法來訓練模型，訓練好之後，就可以用.label_方法給出樣本數據的標籤，或者用.predict() 方法預測新的輸入標籤。
TSNE-聚類可視化工具
TSNE的定位是高維數據的可視化。通常來說輸入的特徵數是高維的（大於3維），一般很難以原特徵對聚類結果進行展示。TSNE提供了一種有效的數據降維方式，讓我們可以在2維或者3維的空間中展示聚類的結果。
TSNE實例：
對K-Means聚類結果以二維的方式展現出來：
#-*- coding: utf-8 -*-
#接k_means.py
from sklearn.manifold import TSNE
tsne = TSNE()
tsne.fit_transform(data_zs) #進行數據降維
tsne = pd.DataFrame(tsne.embedding_, index = data_zs.index) #轉換數據格式
import matplotlib.pyplot as plt
plt.rcParams['font.sans-serif'] = ['SimHei'] #用來正常顯示中文標籤
plt.rcParams['axes.unicode_minus'] = False #用來正常顯示負號
#不同類別用不同顏色和樣式繪圖
d = tsne[r[u'聚類類別'] == 0]
plt.plot(d[0], d[1], 'r.')
d = tsne[r[u'聚類類別'] == 1]
plt.plot(d[0], d[1], 'go')
d = tsne[r[u'聚類類別'] == 2]
plt.plot(d[0], d[1], 'b*')
plt.show()
輸出：
