在应用 L 方法确定数据集中的 k 均值聚类数之前，是否有人尝试对评估指标应用平滑器？如果是这样，它是否改善了结果？或者允许较少数量的 k-means 试验，从而大大提高速度？您使用了哪种平滑算法/方法？
这会计算一系列不同试验集群计数的评估指标。然后，为了找到膝盖(出现在最佳簇数时)，使用线性回归拟合两条线。应用一个简单的迭代过程来改善膝盖贴合度 - 这使用现有的评估指标计算并且不需要重新运行 k-means。
对于评估指标，我使用的是 Dunns 指数简化版的倒数。简化了速度(基本上简化了我的直径和簇间计算)。倒数是为了使索引在正确的方向上工作(即，通常越低越好)。
K-means 是一种随机算法，因此通常会运行多次并选择最合适的算法。这工作得很好，但是当您对 1..N 集群执行此操作时，时间很快就会增加。因此，控制运行次数符合我的利益。总体处理时间可能决定我的实现是否实用 - 如果我不能加快速度，我可能会放弃此功能。
最佳答案
我问了一个similar question过去在这里。我的问题是想出一种一致的方法来找到您描述的 L 形膝盖。所讨论的曲线代表模型的复杂性和拟合度量之间的权衡。
best solution就是根据下图找到最大距离d的点:
注意:我还没有阅读您链接到的论文..
关于algorithm - 使用带有 L 方法的平滑器来确定 K-Means 聚类的数量，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/4033821/