请解释自动编码器AE和簇间相关性以及平均归一化MI的含义和计算方式

自动编码器（Autoencoder，AE）是一种无监督学习算法，用于数据的降维和特征提取。它由两部分组成：编码器和解码器。编码器将输入数据映射到低维的隐藏表示，而解码器则将隐藏表示映射回原始数据空间。通过训练过程中最小化重构误差，自动编码器能够学习到输入数据的压缩表示。

簇间相关性是一种用于度量聚类结果质量的指标。它衡量的是不同聚类簇之间的相似程度。具体而言，对于每个聚类簇，计算该簇与其他簇之间样本对的相似性，然后取最大值作为该簇的簇间相关性。簇间相关性值越大，表示不同聚类簇之间的样本差异越小，聚类结果越好。

平均归一化互信息（Average Normalized Mutual Information，NMI）是一种用于度量聚类算法性能的指标。它通过比较聚类结果与真实标签之间的信息互补性来评估聚类质量。计算NMI的步骤如下：
1. 计算聚类结果与真实标签之间的互信息（MI）。
2. 计算聚类结果和真实标签的熵，得到归一化互信息（Normalized MI）。
3. 对所有聚类结果的归一化互信息取平均，得到平均归一化互信息。

请注意，这些指标的计算方式可能因具体实现而有所不同。