k-means 算法的基本思想是尝试找到使簇内方差最小化的簇（或相应的平方和或 SS 达到一个常数），这相当于使簇间 SS 最大化，因为总方差为固定的。如 wiki 上所述，您可以直接使用 inside SS 并在增加集群数量时查看其变化（就像我们在使用 screeplot 的因子分析中所做的那样）：SS 演变方式的突然变化暗示了最佳解决方案，尽管这仅代表视觉欣赏。由于总方差是固定的，因此相当于研究了 SS 与总 SS 之间的比率，也称为解释方差的百分比，是如何演变的，因为在这种情况下，它将呈现从一个 k 到下一个 k 的很大差距+1。

总而言之，您只需计算每个数据点与其各自中心（或质心）之间的平方距离，对于每个集群——这给了你 SS 内，SS 内的总数只是特定于集群的总和WSS（将它们转换为方差只是除以相应的自由度的问题）；SS 之间的值是通过从总 SS 中减去总 WSS 获得的，后者是通过例如考虑 k=1 获得的。

顺便说一下，k=1，WSS=TSS，BSS=0。

如果您在确定集群的数量或使用 k-means 停止的位置之后，您可能会考虑将 Gap 统计量作为肘部标准的替代方案：

Tibshirani, R.、Walther, G. 和 Hastie, T. (2001)。通过 gap statistic 估计数据集中的簇数。JR统计学家。社会党。B，63（2）：411-423。