python - Kmeans 肘部方法不返回肘部

Question

所以按照文档中的示例 (here):

The KElbowVisualizer implements the “elbow” method to help data scientists select the optimal number of clusters by fitting the model with a range of values for K. If the line chart resembles an arm, then the “elbow” (the point of inflection on the curve) is a good indication that the underlying model fits best at that point.

图表中没有弯头怎么办？当我在我的数据集上运行相同的代码时，输​​出是:

因此，每增加一个集群，失真分数就会不断增加。

但是，当我使用 kmeans.intertia 属性运行肘法的另一个示例时:

sse = {}
for k in range(1, 10):
    kmeans = KMeans(n_clusters=k, max_iter=1000).fit(testDF)
    testDF["clusters"] = kmeans.labels_
    #print(data["clusters"])
    sse[k] = kmeans.inertia_ # Inertia: Sum of distances of samples to their 
closest cluster center
plt.figure()
plt.plot(list(sse.keys()), list(sse.values()))
plt.xlabel("Number of cluster")
plt.ylabel("SSE")
plt.show()

输出是:

它确实有一个肘部。

这两种方法有什么区别？为什么第一张图没有弯头？

根据文档，它们都应用相同的距离方法，即“样本到最近的聚类中心的距离平方和。”

Answer 1

我刚才遇到了同样的问题，更新到 Yellowbrick v1.1 解决了它。

pip install -U yellowbrick

或在 Jupyter 单元中:

!pip install -U yellowbrick