你可以：

1. 手动标记其中的几个（比如 100-150 个），然后训练一个简单的模型来对数据进行分类。一个小的随机森林可以很好地完成这项工作。

2. 在用于生成每个散点图的每个数据集上训练一个超级基本模型。类似于线性分类器的东西。如果分类器没有出错，那么你就有了“明确分离的数据”，如果它出错了，那么情况可能正好相反。

欢迎来到社区！

非常有趣的问题！我从介绍开始，并提出一些解决方案：

如果你没有标签（看起来就像你给它们上色一样），那么就没有任何合理的论据。正如您已经提到的，对无监督任务的评估在理论上是不可能的（什么是接近的？或什么是明确的？）。有一些方法可以在实践中对无监督任务的性能有一些直觉（比如划分集群内的变化和集群之间的差异，这在某种程度上告诉你它们是多么“分离”，但例如在这种情况下，高斯分布是假定）。

在此之后，我直接跳到我的建议：

有趣的方式

假设对于每个图像，您都有数据点及其标签（橙色和蓝色）：

1. 使用线性分类器对它们进行分类，并在交叉验证管道中获取它们的测试分数。我们稍后将使用这些分数作为良好分离的指标。
2. 使用非线性分类器并执行与上述相同的操作。这一次你会得到更好的分数。我们稍后将使用它们作为井分离的第二阶段
3. 为什么线性与非线性？我认为线性可分的两个类比非线性可分的两个类分离得更好。如果您的假设与我不同，请结合步骤 (1) 和 (2)。
4. 最后取所有线性分数和非线性分数并将它们组合起来（您可以简单地将它们相加：如果类是线性可分的，那么两个分数都很高，所以总和最高，如果非线性可分，那么一个高一个较低，所以summ 仍然很高，但低于线性数据，如果数据不可分离，即像第三张图像，那么两个分数都很低，所以它们的总和是最低的。）。现在您可以使用这些数字作为井分离的指标。

更严重一点

读取数据后（显然你有 2 个特征）找到那些的 F 值或使用 LDA 找到最佳投影轴，然后在那里计算 F 值。或者使用 PCA 找到最佳投影轴并计算该特征的 F 值。如果您看到这么多非线性类，请使用Kernel PCA。

使用图像

我假设您有数据文件，但如果您的项目要确定与图像本身的这种良好分离，即进行图像处理和分析，请在我的答案下发表评论，以便我更新答案。

希望它有所帮助。祝你好运！