请说明数据挖掘场景下，聚类模型效果评估的常用方法有哪些？可以列举并比较几个常见的聚类评价指标。

回答思路

1. 【回答框架 1】聚类评价指标分为内部指标和外部指标两大类，前者无需真实标签，通过簇内紧密性和簇间分离度衡量，后者需要真实标签比较聚类结果与真实类别的吻合度。
2. 【回答框架 2】内部指标典型有轮廓系数，它综合样本与自身簇内平均距离和最近其他簇平均距离，取值范围从负一到一，越接近一表示聚类越合理；还有Davies-Bouldin指数，度量各簇最大相似度均值，值越小说明簇间分离越好；Calinski-Harabasz指数计算簇间协方差与簇内协方差的比值，值越大表示聚类效果越好。
3. 【回答框架 3】外部指标如纯度，统计正确聚类的样本占比；兰德指数计算样本对在聚类和真实标签中一致的比例；归一化互信息NMI，通过互信息除以熵的调和平均，范围零到一，越接近一越吻合。
4. 【回答框架 4】实际使用时需根据是否有标签选择指标类型；无标签时常用轮廓系数，还可用Elbow方法观察SSE拐点辅助确定簇数。对比指标差异时，内部指标侧重几何结构，外部指标侧重标签一致性，适合不同验证需求。
5. 【回答框架 5】评估前应做数据标准化，处理异常值和缺失值，否则特征尺度差异会扭曲距离计算，影响所有基于距离的聚类和指标结果。
6. 【关键点 1】聚类评估分内部指标与外部指标，依据有无真实标签选择。
7. 【关键点 2】轮廓系数是常用内部指标，值越接近一表示簇结构越合理。
8. 【关键点 3】NMI和兰德指数属于外部指标，需要真实标签对比。
9. 【关键点 4】Davies-Bouldin指数值越小越好，Calinski-Harabasz指数值越大越好。
10. 【关键点 5】评估前标准化数据，否则指标结果不可靠。
11. 【易错点 1】混淆内部与外部指标的适用条件，无标签时误用外部指标。
12. 【易错点 2】忽略数据标准化，使距离度量被特征尺度主导。
13. 【易错点 3】只依赖单一指标，应结合多个指标和可视化综合判断。