我正在尝试评估对某些数据进行聚类所需的正确聚类数量。
我知道这可以通过使用Davies–Bouldin指数（DBI）来实现。
要使用DBI，你需要计算不同聚类数量下的DBI值，最小化DBI的值对应的聚类数量即为所需的正确聚类数量。
问题是：
如何使用DBI判断2个聚类是否比1个聚类更好？那么，当我只有1个聚类时，如何计算DBI？
回答：
显然，仅考虑所有聚类的平均DBI并不是一个好主意。
当然，增加聚类数量 – k，如果没有惩罚，总是会降低聚类结果中的DBI值，极端情况下，如果每个数据点都被视为一个聚类，那么DBI将为零（因为每个数据点与其自身的质心重合）。
如何使用DBI判断2个聚类是否比1个聚类更好？那么，当我只有1个聚类时，如何计算DBI？
因此，如果你仅使用平均DBI作为性能指标，很难说哪个更好。
一个好的实用方法是使用肘部法。
另一种方法是查看作为聚类数量函数的解释方差百分比：你应该选择一个聚类数量，使得增加另一个聚类不会显著改善数据的建模。更具体地说，如果你绘制聚类解释的方差百分比与聚类数量的关系图，前几个聚类会增加很多信息（解释很多方差），但在某个点上，边际收益会下降，图中会出现一个角度。聚类数量应选择在这个点上，因此称为“肘部标准”。
关于选择最佳聚类数量的其他一些好方法：
