要评估k-means聚类的性能，可以使用不同的指标来衡量聚类结果的质量。下面是一个使用Python的示例代码，演示了如何使用轮廓系数和互信息来评估k-means聚类的性能。

from sklearn.datasets import make_blobs
from sklearn.cluster import KMeans
from sklearn.metrics import silhouette_score, adjusted_mutual_info_score

# 生成一个示例数据集
X, y = make_blobs(n_samples=1000, centers=3, random_state=0)

# 使用不同的k值进行聚类
k_values = [2, 3, 4, 5]
for k in k_values:
    # 使用k-means进行聚类
    kmeans = KMeans(n_clusters=k, random_state=0)
    labels = kmeans.fit_predict(X)
    
    # 计算轮廓系数和互信息
    silhouette = silhouette_score(X, labels)
    mutual_info = adjusted_mutual_info_score(y, labels)
    
    print(f'k={k}, Silhouette Score: {silhouette}, Mutual Information: {mutual_info}')

在上述代码中，我们首先使用make_blobs函数生成一个包含3个簇的示例数据集。然后，我们使用不同的k值（2到5）进行聚类，并计算每个聚类结果的轮廓系数和互信息。

轮廓系数是一种用于评估聚类结果的指标，它衡量了每个样本与其同簇样本的相似度与与其他簇样本的相似度之间的差异。轮廓系数的取值范围为[-1, 1]，越接近1表示聚类结果越好。

互信息是一种用于评估聚类结果与真实标签之间的一致性的指标。它衡量了聚类结果中的簇与真实标签之间的相互信息量。互信息的取值范围为[0, 1]，越接近1表示聚类结果与真实标签越一致。

通过计算不同k值下的轮廓系数和互信息，我们可以比较不同聚类结果的质量，从而选择最佳的k值。