我想我找到了 kmeans 聚类的答案：

通过查看 git 源代码，我发现对于 scikit learn，惯性计算为每个点到其最近的质心（即其分配的集群）的平方距离之和。所以$I = \sum_{i}(d(i,cr))$在哪里$cr$是分配集群的质心，并且$d$是平方距离。

现在差距统计的公式涉及

通过介绍$+c$,$-c$在平方距离公式中（$c$是集群的质心$r$坐标），我有一个对应于惯性的术语（如在 scikit 中）+一个术语，如果每个$c$是每个簇的重心（应该是 kmeans）。所以我猜$W_k$实际上是 scikit Inertia。

我还有两个问题：

1. 你认为我的微积分是正确的吗？（例如，我不知道它是否适用于层次聚类。）
2. 如果我在上面是正确的，我已经编码了差距统计（作为估计和聚类之间的对数惯性的差异）并且它表现得很糟糕，特别是在 iris 数据集上，有人试过吗？