algorithm - 如何在聚类评估中添加大小偏好？
问题描述
我正在尝试对某些数据应用 k-means（或其他算法）聚类。我希望聚类结果的轮廓分数变得更好，同时我更喜欢更少的聚类。所以我想知道如何用轮廓分数（或其他指标）联合评估集群的数量。
例如，聚类模型得到以下结果：
大小 = 2：分数 = 0.534
大小 = 7：分数 = 0.617
大小 = 20：分数 = 0.689
我认为与其他模型相比，聚类大小为 7 的模型是最好的。虽然最后一个模型的分数是最好的，但是聚类的数量太多了。我曾尝试将轮廓分数与集群大小分开，但它似乎太微不足道了。
解决方案
不要破解。正确地做。
这意味着从数学上定义你个人认为什么是“好”（当然，为什么提出的方程能很好地捕捉到这一点）。然后使用此评估措施，但要准备好其他人可能不同意您的看法，即许多集群都是坏的。
是的。轮廓除以簇数不是一个好主意。特别是，它不是一个理论上非常有根据的模型，不是吗？