选择聚类数量 (K)

在使用K-Means算法时，您可能会注意到一个比较突出的要求：您需要在运行算法之前，准确地告知它要找出多少个聚类，即$K$值。这与监督学习 (supervised learning)不同，在监督学习中，类别数量通常由数据中的标签决定。而在无监督学习 (unsupervised learning)中，由于我们没有标签，因此确定最佳分组数量（$K$）是这项工作的挑战之一。

选择合适的$K$为何重要？如果$K$值过小，算法可能会将不同的数据组合并在一起。如果$K$值过大，它可能会将自然形成的组拆分成更小、意义不大的碎片。找到合适的$K$有助于确保算法发现的聚类能有效反映数据中固有的结构。

那么，如何选择一个好的$K$值呢？没有一个单一的完美方法，这通常需要一些尝试和判断。以下是几种适合初学者的常见方法：

使用背景知识

有时，您可能已经对数据或正在尝试解决的问题有一些了解。

• 例子： 如果您正在对零售业务的客户数据进行聚类，您可能有一个业务目标，就是将客户分为特定数量的组，例如“高消费客户”、“偶尔购物者”和“不活跃用户”。在这种情况下，先前的知识表明$K=3$可能是一个合理的起始点。

这并非总是可行，特别是在处理新数据集时，但请务必考虑现有知识能否指导您的选择。

可视化检查（适用于低维度数据）

如果您的数据只有两到三个特征（维度），您通常可以绘制图表并进行目视检查，以了解存在多少个自然分组。

这是一个具有两个特征的数据点的简单散点图。从视觉上看，这些点似乎形成了大约三个不同的组。

“虽然有用，但这种方法有局限性。大多数数据集的特征数量远远超过能轻松可视化的程度。此外，视觉判断可能带有主观性。”

肘部法则

这是估算$K$值的最常见的定量方法之一。核心思想是针对不同范围的$K$值（例如，从$K=1$到$K=10$）多次运行K-Means算法。对于每个$K$值，您会计算一个分数，以衡量聚类的表现如何。

一个标准分数是簇内平方和 (WCSS)，有时也称为惯性。

• WCSS衡量什么： 它计算每个数据点与其所属簇的中心点（质心）之间的平方距离之和。
• 解读： 更小的WCSS值意味着数据点平均而言更接近其所属簇的中心。这表明聚类更紧密、更紧凑。

随着您增加聚类数量（$K$），WCSS通常会减小，因为数据点会更接近更多的质心。如果$K$等于数据点数量，WCSS将变为零，但这并不是有用的聚类。

肘部法则涉及绘制每个$K$值的WCSS图。然后您需要寻找图上的一个“肘部”点。这是WCSS下降速度开始明显放缓的点，形成一个看起来像手臂肘部的角度。

显示不同聚类数量（$K$）的WCSS值的图表。“肘部”出现在$K=3$附近，此时增加更多聚类在减少WCSS方面的收益递减。

肘部点对应的$K$值通常被认为是聚类数量的良好候选值。它代表一种平衡：增加更多聚类几乎不会显著减少簇内方差。

重要提示： 肘部并非总是清晰明确。有时图表可能会显示平滑曲线，这会使选择变得更模糊。在这种情况下，您可能需要将此方法与其他技术结合使用，或者更多依赖背景知识或分析的具体目标。

总结

为K-Means选择合适的聚类数量（$K$）是无监督学习 (supervised learning) (unsupervised learning)中的重要一步。尽管像可视化检查（对于低维度数据）和肘部法则这样的方法提供了有价值的指导，但通常没有一个单一的“正确”答案。最佳$K$值取决于您的数据以及您希望通过聚类实现什么。尝试这些方法建议的几个不同$K$值，并评估所得聚类的质量和可解释性，是一种常见做法。