但在实践中，我们如何信任一个随机选择的随机种子，而使用另一个随机种子运行时生成一组新的簇，并将文档分配给不同的簇？
这不仅适用于HDBSCAN,而且适用于基本上任何具有random_state参数的算法。即使k-Means也有一个用于初始化簇的参数，这可能会产生不同的结果。
这种行为甚至会因更改其他UMAP、HDBSCAN参数而加剧。
当你还为创建的主题实现评估指标时，情况变得更加困难。聚类只是整个流程的一个组成部分，而不是可以评估的唯一拼图部分。
由于没有替代的无监督主题建模聚类度量方法，难道不应该存在一个共识聚类框架，我们可以将总是在一起的文档分配给最终的簇吗？
是的，也不是。有一些聚类度量可以用于无监督主题建模，例如轮廓分数，它可以给你一个关于簇“质量”的想法。这是一个非常粗略的代理，但它仍然提供了信息。然而，它并没有直接告诉你关于结果簇的质量的信息。例如，主题一致性和多样性没有被考虑。
因此，尽管共识聚类确实可能很有趣，但它只是评估谜题的一部分。例如，即使我们找到了一些大部分时间都在一起的文档，它也不会告诉你它们是否大部分时间都在正确地在一起。仅依赖于共识聚类来稳定化可能会对性能产生负面影响，而不评估模型的其他方面。