聚类在统计学和机器学习中得到了广泛的研究，在许多领域都有应用。与返回单个聚类解的聚合层次聚类或k-means等流行算法不同，贝叶斯非参数模型在整个分区空间上提供了一个后验值，允许评估统计特性，例如簇数的不确定性。然而，一个重要的问题是如何总结后面的内容；分区空间的巨大尺寸和可视化的困难增加了这个问题。在贝叶斯分析中，通常通过报告点估计值（如后验均值）以及95%可信区间来总结实际值感兴趣参数的后验值，以表征不确定性。在本文中，我们将这些思想扩展到开发适当的点估计和可信集，以基于决策和信息论技术总结聚类结构的后验性。