文本聚类的评价方法

1 怎么评价聚类的好坏？

（1）聚类往往不像分类一样有一个最优化目标和学习过程，而是一个统计方法，将相似的数据和不相似的数据分开。
（2）因为没有标签，所以一般通过评估类的分离情况来决定聚类质量。类内越紧密，类间距离越小则质量越高。

2 Kmeans算法

K-Means是常用的聚类算法，与其他聚类算法相比，其时间复杂度低，聚类的效果也还不错。这里简单介绍一下k-means算法。 基本思想：
（1）k-means算法需要事先指定簇的个数k，算法开始随机选择k个记录点作为中心点.
（2）然后遍历整个数据集的各条记录，将每条记录归到离它最近的中心点所在的簇中.
（3）之后以各个簇的记录的均值中心点取代之前的中心点，然后不断迭代，直到收敛。

k-means 的损失函数为平方误差：

其中ωk表示第k个簇，u(ωk)表示第k个簇的中心点，RSSk是第k个簇的损失函数，RSS表示整体的损失函数。优化目标就是选择恰当的记录归属方案，使得整体的损失函数最小。

3 Kmeans文本聚类

（1）先把文本转成数值矩阵（计算 tf-idf）
（2）再使用上面的 k-means 算法进行计算。
（3）如果已知真实类别，直接用 P,R,F1评价就行了。如果不知道的话，可以计算聚类的紧密程度。