什么是 Davies-Bouldin 指数（DBI）？
Davies-Bouldin 指数（DBI）是为每个簇找到组合簇内离散度与另一个簇质心距离的最大比值，再对这些最差竞争比值求平均的内部聚类有效性指标。
快速了解
| 创建时间 | 1979 年由 David L. Davies 与 Donald W. Bouldin 提出 |
|---|---|
| 规范文档 | 官方规范 |
工作原理
把分数理解为最差竞争簇比值的平均
Davies 与 Bouldin 的原始论文定义了一组分离度量和簇相似度构造。常用指数先为每个簇选择最大相似度比值，再进行平均。因此，即使该簇与其他簇都很远，一个模糊的近邻也会主导它的贡献。
把重合质心与特征尺度纳入评测协议
两个不同簇具有相同质心时，分离度分母为 0；除非实现规定特殊规则，否则比值没有定义或为无穷。特征缩放和离群点也会同时移动质心与离散度。解释结果前，应记录预处理、具体 Scatter 与质心距离定义、噪声标签处理方式和库版本。
只比较评测条件兼容的候选划分
当前 scikit-learn 文档实现的是非负分数，并规定越低越好。该尺度没有归一化，因此不同数据集、表示或距离约定之间不能直接比较。它适合排序兼容候选，之后仍需增加轮廓分布、稳定性、可用参考标签和领域价值证据。
主要特点
- 为每个簇保留一个最差竞争簇比值后再求平均
- 组合簇内离散度与簇质心之间的分离度
- 理论最小值为 0，但不存在统一上界
- 只使用特征与分配结果，不需要参考标签
- 计算高效，但继承质心和距离几何假设
- 不能证明语义正确、结果稳定或具有生产价值
常见用途
- 在固定特征管线上排序候选簇数
- 发现存在近邻或高度重叠竞争簇的分组
- Embedding 版本变化后监控紧致度与分离度
- 比较多次基于质心的聚类运行
- 在逐样本和领域审核前初筛候选划分
示例
loading...
Loading code...常见问题
Davies-Bouldin 指数如何计算？
先计算每个簇成员到其质心的平均离散度。对每一对簇，用组合离散度除以质心距离；为每个簇保留最大的比值，再对所有最差竞争簇比值求平均。
Davies-Bouldin 指数越高还是越低越好？
在固定评测协议下越低越好，因为它表示簇内离散度相对质心分离度更小。0 是理论最小值，但不存在可以跨数据集或特征空间复用的统一优良阈值。
Davies-Bouldin 指数能跨数据集比较吗？
通常不能。分数取决于表示、特征缩放、离群点、簇数、离散度定义和距离几何。候选划分必须作用于同一批评测记录，并采用完全一致的预处理与评分协议。
为什么 Davies-Bouldin 指数不适合非凸簇？
它把每个簇压缩为一个质心和平均半径。月牙、环形、流形或多峰分组可能按连通性或密度很合理，却在质心周围显得离散，导致指标偏爱错误的凸形划分。
Davies-Bouldin 指数可以作为唯一上线门禁吗？
不能。还应组合轮廓系数等逐样本诊断、跨随机种子与重采样变化、离群点分析、适用时的参考标签指标、专家审核和下游结果。