以下是我目前的想法 - 请指出我错在哪里：）
我相信：坚持套装的目的是为了陪衬， 相比之下，对于训练集 - 证明了 k-means消除了每一轮的错误。
为此，保持集在开始时显示错误 - ning，即它不会重新计算每个簇的质心 在每个集群之后，处于每个集群的中心 已分配点。它只是停止，错误是 计算
训练集，最初80％的分数 - 使用randomPartition（）进行分区 - 只需通过 整个k-means函数，然后返回错误 这一点。）
我可能错了：问题可能只是 请求另一个k-means运行，但是设置较小。 此外，计算训练集与保持的误差的方法 看起来和我一模一样。他们可能不是。 另外，我听说过涉及特征选择的事情。
根据目前的信念我正在考虑的当前方法： 复制k-means函数，并修改副本 这样它就会在初始后返回簇，maxDistance 跑。将此功能用于保持集。
答案 0 :(得分：2)
群集的目标是对类似的数据点进行分组。但是，您如何知道您分组的类似数据点是否正确分组？你怎么判断你的结果？因此，您可以将可用数据分为两组：训练和坚持。
以此为比喻。
将训练集作为练习题进行考试。你练习练习题，尽力做到最好并提高你的技能。
您可以将坚持设定为实际检查。如果你在练习题（训练集）上做得很好，那么你可能会在考试中表现良好（坚持设定）。
现在你知道你在练习和考试（当然是在尝试之后）的表现如何，你可以根据这些表现来推断你的整体表现并判断什么是好的（集群的数量是多少好或有多好）。
因此，您将在训练数据上应用聚类算法，而不是在保持数据上应用聚类算法，并找出聚类中心（聚类的代表）。对于保留数据，您只需使用从算法中找到的聚类中心，并将数据点分配给中心最近的聚类。根据某些性能指标（在您的情况下为平方距离误差）计算您在训练和保持数据方面的表现。最后，将这些指标与不同的k值进行比较，以获得良好的判断力。还有更多内容，但为了配置，它似乎已经足够了。
在实践中，还有许多其他方法。但其中大部分的关键思想都是一样的。有一个统计社区，您可以在其中找到更多类似的问题：https://stats.stackexchange.com/
参考文献：
https://en.wikipedia.org/wiki/Cross-validation_(statistics)#Holdout_method