由于聚类是非监督式的， 标准答案可用于验证 结果。缺乏可信度会使质量评估变得更加复杂。此外， 如示例中所示，现实世界数据集通常不会 如图 1 所示。
相反，现实世界的数据通常更像图 2，因此很难 直观评估聚类质量。
不过，您可以反复应用启发法和最佳做法 以提高聚类质量。以下流程图提供了 概述如何评估聚类结果。我们稍后会进一步 操作。
第 1 步：评估聚类质量
首先，检查集群外观是否符合您的预期， 会认为它们彼此相似。
然后查看以下常用指标（并非详尽无遗）：
- 集群基数
- 星团幅度
- 下游性能
集群基数
聚类基数是每个聚类的样本数。绘制 集群基数，并调查 都是主要离群值。在图 2 中，这将是聚类 5。
星团幅度
聚类大小是与聚类中所有样本的距离之和 聚类的形心绘制所有聚类和聚类的震级 来研究离群值。在图 3 中，聚类 0 是一个离群值。
此外，还要考虑查看样本的最大或平均距离 来找出离群值。
数量级与基数
您可能已经注意到，集群基数越高，对应的 这很直观，因为聚类中的点越多， 则这些聚类（基数）的距离可能越大， 与形心（量级）之间的距离。您还可以找出异常集群 寻找基数与数量级之间有这种关系的实验 与其他集群有很大不同在图 4 中，将一条线 基数和大小图表明聚类 0 存在异常。 （聚类 5 也离该行很远，但如果省略聚类 0，则新的 拟合的线会更接近聚类 5。）
下游性能
由于聚类输出通常用在下游机器学习系统中，请查看 下游模型的性能随着聚类过程的更改而提高。 这提供了对聚类结果质量的真实评估， 不过，开展这类测试可能复杂且昂贵。
第 2 步：重新评估相似度衡量指标
聚类算法的效果取决于相似度度量。请确保 相似度度量会返回合理的结果。不妨快速检查一下 识别已知相似或不太相似的样本对。计算 相似度度量，并将结果与 知识：相似样本对的相似度应更高 而不是两对不同的样本对。
用于抽查相似度度量的样本应为 具有代表性的特征，因此您可以确信 评估所有样本的保全。您的 相似度衡量（无论是手动还是监督）在 Google Cloud 中的 数据集。如果某些样本的相似性度量不一致， 不会与相似的样本进行聚类。
如果您发现样本的相似度分数不准确， 评估指标可能无法完全捕获用于区分 示例。对相似度度量进行实验，直到返回更多结果 准确性和一致性。
第 3 步：找到最佳数量的聚类
k-means 需要您事先确定聚类的数量。 \(k\) 如何 确定最优 \(k\)？尝试使用以下算法运行算法： \(k\) 值递增，并记下所有聚类规模的总和。如 \(k\) 逐渐增加，聚类变小，点的总距离 使心形变小我们可以将这些总距离视为损失。 根据聚类的数量绘制此距离。
如图 5 所示，当超过特定 \(k\)时，损失的减少幅度变为 边际 \(k\)。不妨考虑使用 \(k\) 其中斜率先有一个明显的变化，称为 elbow 方法。对于 则得到的最佳 \(k\) 约为 11。如果您希望 则可以参考此图表，选择更高的 \(k\)。
问题排查问题
如果您在评估过程中发现问题，请重新评估您的数据 准备步骤和选择的相似性度量。问题：
- 您的数据是否得到适当调整？
- 您的相似度度量正确吗？
- 您的算法是否对数据执行语义上有意义的操作？
- 算法的假设与数据是否相符？