在集群中动态选择集群数量

Question

编辑该问题的撰写对群集技术的了解很少，而事后看来，它甚至不符合Stack Overflow网站的标准，但是SO不会让我删除它，说其他人已经投入了时间和能量（此有效点）中的内容，如果我继续删除，我可能会暂时无法提出问题，因此，我正在更新此问题，使其具有相关性，以便其他人可以从中学习。仍然严格不遵循SO准则，因为我本人会将此标记为过于广泛，但是在当前状态下它没有任何价值，因此为其添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的聚类数量，该算法将对作为图像轮廓检测输入的各种形状进行分组，然后将聚类属性的偏差标记为“噪波”或“异常”。当时的问题是，所有数据集都是不同的，从中获得的形状也不同，并且每个数据集的形状数目也将有所不同。正确的解决方案是继续使用DBSCAN（带有噪声的基于密度的空间聚类应用程序）应用程序，该应用程序可以在我当时不知道的scikit-learn中找到，该方法可以正常工作，现在该产品已经在测试中，我只是想回到此位置并更正这个旧错误。

旧问题

旧标题在kmeans聚类中动态选择k

我必须生成一个k-means聚类模型，其中事先不知道类别的数量，有没有一种方法可以根据聚类中的欧式距离自动确定k的值。

我希望它如何工作。从k的值开始，执行聚类，查看其是否满足阈值标准并相应地增加或减少k。问题是与框架无关的，如果您有使用Python以外的语言编写的Idea或实现，也请分享。

我在研究问题https://www.researchgate.net/publication/267752474_Dynamic_Clustering_of_Data_with_Modified_K-Means_Algorithm时发现了这个问题。 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中的实现。

编辑 我现在正在考虑的想法是：

1. 肘法

2. X均值聚类

Answer 1

您可以使用肘部方法。此方法的基本作用是使用k的各种值（不包含聚类），然后计算每个点到聚类中心的距离。达到一定数量后，不会有任何重大改善，您可以将k值取为k（群集数）。

您可以参考以进一步阅读this链接。

Answer 2

您遍历K的值，并使用Silhouette Score来检查聚类的有效性

Answer 3

您可以迭代任意范围内k个值的分数。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。在0.4 * k值个数之后，差异最大的地方就是弯头。