kmeans python_聚类的Python实现（二）：确定分群数K

对于KMeans算法聚类数k的选取非常重要，下面介绍两种常用的选择方法。

手肘法

手肘法的核心指标是SSE(sum of the squared errors，误差平方和)：

其中，Ci是第i个簇，p是Ci中的样本点，mi是Ci的质心（Ci中所有样本的均值），SSE是所有样本的聚类误差，代表了聚类效果的好坏。 随着聚类数K的增大，样本划分会更加精细，每个簇的聚合程度会逐渐提高，那么误差平方和（SSE）自然会逐渐变小。但K增大到一定程度时，K增大对SSE减小的作用越来越小，因此K—SSE曲线呈现手肘状，拐点附近的K值通常为适当的分群数量。

如下的聚类数——SSE曲线，我们可以考虑使用4-6的聚类数，建模后观察结果，并最终根据业务需求确定分群。

#创建空列表，依次创建k=1~15的模型并 保存SSE结果
sse_list = [ ] 
K = range(1, 15) 
for k in range(1,15): 
    kmeans=KMeans(n_clusters=k, n_jobs = 6) 
    kmeans.fit(Zdata) 
    sse_list.append(kmeans.inertia_)   #model.inertia_返回模型的误差平方和，保存进入列表
    print(sse_list)
​
#折线图展示聚类数——SSE曲线
plt.figure() 
plt.plot(np.array(K), sse_list, 'bx-')
plt.rcParams['figure.figsize'] = [12,8]
plt.xlabel('分群数量',fontsize=18)
plt.ylabel('SSE',fontsize=18)
plt.xticks(fontsize=15)
plt.yticks(fontsize=15)
plt.show()

轮廓系数法

求出所有样本的轮廓系数后再求平均值就得到了平均轮廓系数。平均轮廓系数的取值范围为[-1,1]，且簇内样本的距离越近，簇间样本距离越远，平均轮廓系数越大，聚类效果越好。

那么，很自然地，平均轮廓系数(silhouette_score)最大的k便是最佳聚类数。

在python中，使用sklearn库的metrics.silhouette_score()方法可以很容易作出K—平均轮廓系数曲线。

需要注意的是，轮廓系数计算非常耗费资源，通常可以设置sample_size使用抽样计算平均轮廓系数。

#分别创建分群2-15的KMeans模型
clusters = range(2,15)
sc_scores = []
for k in clusters:  
    kmeans_model = KMeans(n_clusters=k, n_jobs = 6).fit(Zdata)
    sc_score = metrics.silhouette_score(Zdata, kmeans_model.labels_
                        ,sample_size=10000, metric='euclidean')
    sc_scores.append(sc_score)
    print(sc_scores)
#作出K—平均轮廓系数曲线
plt.figure()
plt.plot(clusters, sc_scores, 'bx-')
plt.rcParams['figure.figsize'] = [12,8]
plt.xlabel('分群数量',fontsize=18)
plt.ylabel('Silhouette Coefficient Score',fontsize=18)  #样本平均轮廓系数
plt.xticks(fontsize=15)
plt.yticks(fontsize=15)
plt.show()
​