KL 散度假设您知道哪个集群是哪个标签。但是如果集群和类的数量不一样呢？如果数据具有这样的结构，一个好的聚类可能需要将一个类分成两部分。另外，KL 是不对称的。

NMI 密切相关，但由于它将每个集群与每个标签进行比较，因此您不会遇到将集群映射到类的问题。

OP 用“受欢迎程度”来表达他们的问题。这可能不是考虑使用 KL 散度 wrt 聚类的正确方法。事实上，KL 指标用于信息论和基于复杂性的集群算法，但评估此类例程的“流行度”将是困难的。

排列分布聚类就是这样一种例程。PDC 在几篇论文中都有描述。这是 PDC R 模块的链接，其中包含对 KL 散度使用的描述... https://cran.r-project.org/web/packages/pdc/pdc.pdf

然后是 Eamonn Keogh 的 SAX 和 iSAX 例程，它们类似于 PDC，但可能更“流行”... http://www.cs.ucr.edu/~eamonn/SAX.htm