准确度是比较真实标签和预测标签的量度。K-Means 是一种无监督聚类算法，其中不存在预测标签。因此，准确率不能直接应用于 K-Means 聚类评估。但是，您可以使用两个指标示例来评估您的集群。

平方和簇内

第一个是簇内平方和（WCSS），它测量簇内所有点到簇中心（称为簇质心）的平方平均距离。

要计算这一点，您可以首先找到给定点与分配该点的聚类中心之间的欧几里得距离。然后对集群中的每个点重复此过程，然后对集群的值求和并除以点数。最后计算所有集群的平均值。这将为您提供聚类平方和内的平均值。

该测量可以根据到集群中心的平均距离来指示集群内的点的可变性。较大的平方和可能表示一个非常大的散布簇。一个小的平方和可以表示一个小而紧凑的集群，点的属性几乎没有变化。这种测量有时称为内聚性，因为它测量该集群中数据点之间的相似性。

簇之间的平方和

第二个指标是簇间平方和 (BCSS)，它测量所有簇质心之间的平方平均距离。

要计算这一点，您可以找到从给定聚类质心到所有其他聚类质心的欧几里德距离。对所有集群重复此操作。然后，将所有值相加。这将为您提供簇间平方和。您可以除以聚类数来计算聚类平方和之间的平均值。

该测量可以指示所有集群之间的变化。较大的数字可以表示分散的集群。少量可以表示彼此靠近的集群。这种测量有时称为分离，因为它测量集群的分离。

其他资源

您还可以查看结合了凝聚力和分离度的轮廓系数。并且肘部方法可用于帮助您确定最佳 K 值。

检查k-means 聚类的局限性。如果您想深入了解 WCSS 和 BCSS，请查看此可汗学院视频：

• https://www.khanacademy.org/math/statistics-probability/analysis-of-variance-anova-library/analysis-of-variance-anova/v/anova-2-calculating-ssw-and-ssb-total- avi 内和之间的平方和

根据您使用的编程语言，可能有一些包可帮助您评估集群。R有kmeans，它的属性包括insidess和betweenss。对于 Python，Sklearn 的 k-means 实现具有惯性，即“训练集中所有观测值到最近质心的距离平方和”。

考虑不同的算法

如果您希望测量给定数据集上预测的准确性，这将有助于定义其基本事实。如果您有基本事实，可能会有更好的算法用于对结果进行建模。