评估聚类分析效果有多种方法，以下是一些常用的评估方法：
Davies-Bouldin指数：该指数通过计算簇内的紧密度和簇间的分离度来评估聚类的效果。值越小表示聚类效果越好。
轮廓系数（Silhouette Coefficient）：该指标结合了簇内的紧密度和簇间的分离度，用于衡量每个样本与其簇的相似度。该指标的取值范围为-1到1，值越接近1表示聚类效果越好。
Calinski-Harabasz指数：该指数通过计算簇内的紧密度和簇间的分离度来评估聚类的效果。值越大表示聚类效果越好。
调整兰德指数（Adjusted Rand Index）：该指数用于评估聚类结果与真实标签的一致性，值范围为-1到1，值越接近1表示聚类效果越好。
簇内误差平方和（Inertia）：该指标衡量了每个样本与其簇质心的距离之和，值越小表示聚类效果越好。
这些评估方法可以在使用Matlab进行聚类分析时帮助用户评估聚类效果的好坏，并选择最合适的聚类方法和参数。