kmeans中的k的含义_K-means聚类算法中的K如何确定？

直接引用一下普林斯顿课程COS-424中“Interacting With Data”这篇文章，里面用一个例子解释了如何选择聚类算法中的K值(课程资料见文末参考材料)。

在聚类分析中如何选择k值，对于很多工作都是一个棘手的问题，目前大家还没有达成一致的解决方案，有时只是随意来声明一个K值，有时问题会帮我们决定k的取值。集群数量具有自然价值，但总的来说，这个概念定义不明确。

假设有一个K=4的聚类任务，结果显示如下：

现在我们讨论一下，当簇数增加时会发生什么？可能有以下情况：第五聚类簇所含数据点很小或者为空，在这种情况下，目标函数几乎保持不变。

第五聚类簇的聚类中心在数据图的中心，此时，第五个聚类簇会从所有其他聚类簇中提取一部分点。在这种情况下，目标函数会减少，因为如果没有其他方法，这些点将不会转移到新的均值，而我们仍将处于第一种情况。但是，有很多点离聚类均值还很远。

某个聚类簇会一分为二。在这种情况下，由于所有点都接近均值，因此我们降低了目标函数。同时，因为所有点都将更接近均值，所以与前两个方法相比，这是一个更好的选择。在这种情况下，与第二种情况相比，会影响到更多的数据点，且会降低平均的聚类距离之和。

K值的增加和分类图的变化如下：

k=5：

k=6

k=7

k=8

从上面一系列图中可以看出，聚类簇数K从4增加到5、6、7和8的效果。我们发现，在所有这些情况中，一个集群都被细分为两个。

当我们针对聚类数绘制目标函数时，我们会注意到k = 3和k = 5之间的两段下降，从中可以看出4是正确的群集数。这是因为，当k从3增加到4时，目标函数的减小远大于k从4增加到5时目标函数的减小，且k=4时目标函数处于一个相对较小的位置。

参考资料