k-Means 以及如何选择 k
肘部法和轮廓系数法
k-Means 以及如何选择 k 是 CoddyKit 上的免费 Data Science Academy 课时。 这是第 2 节课，共 4 节。 你可以在下方免费阅读本课时的完整内容 — 然后在浏览器中使用内置代码编辑器和全天候 AI 导师进行实践。 这是 Data Science Academy 学习路径的一部分，你的进度在网页和 CoddyKit 应用中同步。 Data Science Academy 课程共包含 4 节课。
首选聚类算法
k-Means 是最流行的聚类算法：它围绕中心锚点对数据点进行分组，将数据划分为 k 个群组。🎯
质心就是锚点
每个簇都有一个质心，即其成员位置的平均值。数据点会加入质心距离自己最近的簇。
反复进行的过程
k-Means 会交替执行两个步骤：将每个数据点分配给最近的质心，然后根据新的成员重新计算每个质心。
结果逐渐稳定
这些步骤会不断重复，直到分配结果不再变化。此时算法已经收敛，簇也就确定了。
先选择 k
k-Means 无法自行确定群组数量。您必须事先选择k，而合适的值通常并不明显。
一行代码运行
scikit-learn 让拟合变得十分简单。将 n_clusters 设置为您选择的 k，然后对经过缩放的数据调用 fit。
from sklearn.cluster import KMeans
model = KMeans(n_clusters=3).fit(X)惯性衡量紧密程度
拟合后，inertia 会报告数据点到其质心的距离平方总和。数值越低，簇就越紧密。
model.inertia_肘部法
绘制多个 k 值对应的惯性。当曲线出现明显弯折时，这个肘部位置通常对应较好的簇数量。
收益递减
超过肘部之后，增加簇的数量几乎不会降低惯性。这种趋于平缓的现象表明您只是在拆分已经拟合良好的群组。
轮廓系数
另一个参考指标是轮廓系数：它会奖励靠近自身簇、远离其他簇的数据点。
from sklearn.metrics import silhouette_score更聪明地开始
随机初始化可能得到较差结果，因此 scikit-learn 默认使用k-means++，将初始质心分散开来，以获得更稳定的结果。
快速检查
让我们检查一下如何选择合理的 k。
回顾
k-Means 围绕质心对数据点进行分组，并使用指定的 k；肘部法和轮廓系数可以帮助您更好地选择 k。🎯
用 AI 导师学习 Python — 免费
在浏览器中编写并运行真实代码，获得全天候 AI 导师的即时帮助，并在网页或应用中继续学习。
- 课程
- 30
- 课程
- 120
常见问题解答
「k-Means 以及如何选择 k」课时是免费的吗？
是的 — 「k-Means 以及如何选择 k」的完整文本可在网页上免费阅读。要进行交互式练习（内置代码编辑器和全天候 AI 导师）并解锁 Data Science Academy 课程的其余内容，请升级到 CoddyKit PRO。 Data Science Academy 课程共包含 4 节课。
「k-Means 以及如何选择 k」这节课中我会学到什么？
肘部法和轮廓系数法 你通过在浏览器中直接运行的动手代码来练习 Data Science Academy，全天候 AI 导师会在你学习这节课的过程中回答你的问题。
学习 Data Science Academy 需要有经验吗？
无需任何先前经验。CoddyKit 上的 Data Science Academy 课程适合初学者到高级学习者，你可以从这里开始或从头开始，按照自己的节奏学习。 这是第 2 节课，共 4 节。
「k-Means 以及如何选择 k」课时需要多长时间？
大多数 CoddyKit 课程大约需要 5–10 分钟。每节课都很精短且互动，所以你能稳步进步，并在网页和应用中从离开的地方继续。
我能在这节 Data Science Academy 课中编写并运行代码吗？
能。每节 Data Science Academy 课都包含内置代码编辑器，你可以在浏览器中直接编写并运行真实代码，并获得即时 AI 反馈 — 无需本地设置。
此课程中的所有课时
- 监督学习与无监督学习
- k-Means 以及如何选择 k
- 层次聚类和 DBSCAN
- 分析并命名您的簇