A 在相同的k值情况下，组内误差平方和越小聚类效果越好

在评估聚类分析的效果时，可以通过多种指标和方法。以下是对题目中各选项的专业分析：

A: **在相同的K值情况下，SSE越小聚类效果越好**
- **正确**。SSE（Sum of Squared Errors）也称为误差平方和，表示数据点到其所属质心的距离的平方和。在相同的K值下，SSE越小，说明数据点与其质心的距离越近，聚类的紧密性越好，因此聚类效果更好。

B: **聚类中的误差平方和指的是每个数据点到所属质心的距离**
- **错误**。误差平方和指的是每个数据点到所属质心的距离的**平方和**，而不是距离本身。

C: **聚类算法的评估没有统一的评判标准**
- **正确**。聚类属于无监督学习，因此没有绝对的标准来评判聚类的效果。不同的应用场景和数据集可能需要不同的评估标准和指标，如SSE、轮廓系数、DBI等。

D: **轮廓系数的值越大，表示该样本点距离其他簇的距离越大**
- **错误**。轮廓系数的值越大，表示该样本点与其所在簇的内聚力越高，同时与其他簇的分离度越高。具体来说，轮廓系数结合了簇内距离和簇间距离来衡量聚类效果，而不只是考虑到其他簇的距离。

综合分析：A 和 C 都是正确的。因此，选择 A 和 C。