集群中集群数的动态选择

Question

编辑这个问题的时候对聚类技术的了解很少，现在事后看来甚至不符合Stack Overflow网站的标准，但是我不会让我删除它，说其他人已经在这个（有效点）上投入了时间和精力，如果我继续删除，我可能暂时无法提出问题了，因此，我正在更新此问题，以使其与其他人可以借鉴的方式相关。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。

更新的会话主题 “问题”是在聚类算法中选择最佳聚类数，该聚类算法会将各种形状分组，这些形状是图像上轮廓检测的输入，然后将聚类属性的偏差标记为“噪波”或“异常”。当时提出这个问题的要点是，所有数据集都是不同的，在它们中获得的形状也不同，并且每个数据集的形状编号也将有所不同。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scikit-learn当时我还没有意识到，可以正常工作，现在该产品正在测试中，我只是想回到此并纠正这个旧错误。

旧问题

旧标题 kmeans聚类中k的动态选择

我必须生成一个k-means聚类模型，其中事先不知道类的数量，有没有一种方法可以根据聚类内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，请也分享。

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，不会有任何重大改进，您可以为k（无簇）取该值。

您可以参考以进一步阅读此链接。