评价聚类模型的一个常用指标是轮廓系数（silhouette score），它可以评估聚类结果的质量和稳定性。在Python中，可以使用scikit-learn库的`silhouette_score`函数来计算轮廓系数。下面是一个示例代码： ```python from sklearn.cluster import KMeans from sklearn.metrics import silhouette_score import numpy as np # 生成随机数据 X = np.random.rand(100, 2) # 聚类并计算轮廓系数 for n_clusters in range(2, 11): kmeans = KMeans(n_clusters=n_clusters) cluster_labels = kmeans.fit_predict(X) silhouette_avg = silhouette_score(X, cluster_labels) print("当簇数为%d时，轮廓系数为%f" % (n_clusters, silhouette_avg)) ``` 代码首先生成了一个包含100个随机二维向量的数据集`X`。然后使用一个循环尝试不同的簇数，对每个簇数进行KMeans聚类，并计算轮廓系数。最终输出每个簇数对应的轮廓系数。 需要注意的是，轮廓系数的取值范围在[-1, 1]之间，越接近1表示聚类效果越好，越接近-1表示聚类效果越差。如果轮廓系数接近0，则说明聚类结果存在重叠的情况。 除了轮廓系数，还有其他一些评价聚类模型的指标，例如Calinski-Harabasz指数和Davies-Bouldin指数等。这些指标的计算方法和解释可以参考scikit-learn官方文档。