动态选择聚类中的聚类数[关闭]

Question

编辑这个问题写的几乎没有集群技术的知识，现在事后看来甚至不符合Stack Overflow网站的标准，但是SO不会让我删除它说其他人有这个（有效点）的投入时间和能量，如果我继续删除，我可能暂时无法提问，所以我正在更新这个问题，使其与其他人可以从中学习的方式相关。它仍然没有严格遵守SO指南，因为我自己会将其标记为太宽泛，但在目前的状态下它没有价值，所以为它增加一点价值将是值得的。

更新的对话主题问题是在聚类算法中选择最佳聚类数，该聚类算法将各种形状分组，这些形状是图像上轮廓检测的输入，然后聚类属性的偏差被标记为噪声或异常，当时提出问题的要点是所有数据集都不同，在它们中获得的形状不同，并且形状的数量也会因数据集到数据集而异。这样做的正确解决方案是使用DBSCAN（基于密度的空间聚类应用程序与噪声）应用程序可以在我当时没有意识到的scikit-learn中找到，该工作现在产品正在测试中，我只是想回到这个并纠正这个老错误。

老问题

旧标题k中k的动态选择意味着聚类

我必须生成一个k-means聚类模型，其中事先不知道类的数量，有没有办法根据聚类内的欧几里德距离自动确定k的值。

我希望它如何工作。以k值开始，执行聚类，查看它是否满足阈值标准并相应地增大或减小k。这个问题是独立于框架的。如果你有一个不同于Python语言的Idea或实现，请分享它。

我在研究https://www.researchgate.net/publication/267752474_Dynamic_Clustering_of_Data_with_Modified_K-Means_Algorithm问题时发现了这一点。我找不到它的实现。

我正在寻找类似的想法来选择最好的并自己实现，或者可以移植到我的代码的实现。

编辑我正在考虑的想法是：

1. 肘法
2. X-means聚类

Answer 1

你可以使用肘法。这个方法基本上做的是，它使用各种k值（没有簇），然后计算每个点与其簇中心的距离。在获得一定数量之后，你可以获得任何重大改进，你可以采取k值（没有集群）。

您可以参考进一步阅读this链接。

Answer 2

您迭代K的值并使用Silhouette Score检查您的群集有效性

Answer 3

您可以遍历任何范围的k值得分。您可以检查每个k值的轮廓分数，也可以计算每个k值的SSE值之间的差异。在0.4 *数量的k值之后，差异最大的是肘点。