有人可以解释一下k-means中肘部啮合下这段代码的含义吗

Question

实例化聚类模型和可视化器

model = KMeans(random_state = 42)

visualizer = KElbowVisualizer(model, k=(2,10))

使数据适合可视化工具

visualizer.fit(df_final.values)

完成并渲染图形

visualizer.show()

Answer 1

K-means 是一种无监督学习，该技术中的簇数称为 K，用户必须定义​​该数。

现在，

visualizer = KElbowVisualizer(model, k=(2,10))

在上面的代码行中，我们在 2-9 范围内定义了要传递给模型的 K 的数量范围，并选择 K 其中形成一个弯头，这基本上意味着只要 K 的值和误差平方和较小，则选择 K。

此外，这种肘部方法仅在数据非常聚集时才有效。

稍后，

visualizer.fit(df_final.values)

上面的行将在可视化工具上拟合数据并在图中绘制不同的值，x 轴上具有不同的 K，y 轴上的失真分数。

示例代码：(https://www.scikit-yb.org/en/latest/api/cluster/elbow.html)

from sklearn.cluster import KMeans
from sklearn.datasets import make_blobs

from yellowbrick.cluster import KElbowVisualizer

# Generate synthetic dataset with 8 random clusters
X, y = make_blobs(n_samples=1000, n_features=12, centers=8, random_state=42)

# Instantiate the clustering model and visualizer
model = KMeans()
visualizer = KElbowVisualizer(model, k=(4,12),)

visualizer.fit(X)        # Fit the data to the visualizer
visualizer.draw()   

输出：