在应用 L 方法来确定数据集中 k 均值簇的数量之前，是否有人尝试过对评估指标应用更平滑的方法？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？
这计算了一系列不同试验集群计数的评估指标。然后，为了找到拐点（出现在最佳数量的聚类中），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关节拟合 - 这使用现有的评估度量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 指数的简化版本的倒数。为速度而简化（基本上我的直径和集群间计算被简化了）。倒数是为了使指数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佳拟合。这工作得很好，但是当您为 1..N 个集群执行此操作时，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，我可能会放弃这个功能。
