如何无需可视化校验自动确定Kmeans聚类最优n_clusters取值

你不需要通过绘图人工判断肘部位置，以下几种可量化计算的方法可以全自动选出最优的n_clusters参数，适配你存储二维数组的文本文件聚类场景，且匹配你数据首元素取值1~6的特性。

1 无图量化肘部法则 #

传统肘部法则的核心是找到簇内误差平方和（SSE）随簇数k上升的下降拐点，不需要绘图，通过二阶差分计算就能直接定位拐点：

• 结合你的数据特性，k的搜索范围直接设置为2~6即可，不需要大范围遍历浪费计算资源
• 遍历每个k值训练KMeans模型，记录每个模型对应的SSE（即KMeans模型自带的inertia_属性）
• 计算SSE序列的二阶差分，二阶差分最大值对应的k值就是肘部位置，也就是最优簇数
  实现代码参考：

import numpy as np
from sklearn.cluster import KMeans

# 读取本地存储二维数组的文本文件
data = np.loadtxt("your_data_path.txt")
# k搜索范围匹配首元素1~6的取值区间
k_candidates = range(2, 7)
sse_records = []

for k in k_candidates:
    model = KMeans(n_clusters=k, random_state=42, n_init="auto")
    model.fit(data)
    sse_records.append(model.inertia_)

# 计算二阶差分定位拐点
first_order_diff = np.diff(sse_records)
second_order_diff = np.diff(first_order_diff)
best_k = k_candidates[np.argmax(second_order_diff) + 2]

2 轮廓系数法 #

这是完全无主观判断的聚类效果量化指标，轮廓系数取值范围为[-1,1]，数值越接近1代表簇内样本越紧密、簇间间隔越清晰，聚类效果越好：

• 同样遍历预设的k候选值，对每个k训练模型后得到所有样本的聚类标签
• 计算对应k下全量样本的平均轮廓系数，选择系数最高的k作为最优簇数
• 该方法计算量略高于量化肘部法，但你的k搜索范围仅5个取值，二维数据下计算速度极快，不会有性能问题
  实现代码参考：

from sklearn.metrics import silhouette_score

sil_score_records = []
for k in k_candidates:
    model = KMeans(n_clusters=k, random_state=42, n_init="auto")
    cluster_labels = model.fit_predict(data)
    avg_sil_score = silhouette_score(data, cluster_labels)
    sil_score_records.append(avg_sil_score)

best_k = k_candidates[np.argmax(sil_score_records)]

3 适配你数据的优化技巧 #

因为你明确已知每条数据首元素取值范围为1~6，可以进一步提升自动选参的稳定性：

• 可以先统计数据首元素的去重后计数，无明显噪声的情况下这个计数值可以直接作为n_clusters的初值
• 如果存在噪声点干扰，用上述两种方法计算时，把k的搜索范围缩小到首元素去重计数±1的区间即可，进一步降低计算量、避免选到不合理的k值

不建议使用Gap统计量这类复杂度高的自动选参方法，你的场景k的可能取值范围非常小，上述两种方法几行代码即可实现全流程自动化，全程不需要人工介入绘图校验。

内容的提问来源于stack exchange，提问作者Happypumpkin pm