由于聚类分析本质上是一种探索性方法，因此没有明确的答案；由此产生的层次结构的解释是依赖于上下文的，从理论的角度来看，通常有几个解决方案同样好。

在一个相关问题中给出了几条线索，在实践中使用了哪些凝聚层次聚类的停止标准？我通常使用视觉标准，例如轮廓图，以及某种数值标准，例如 Dunn 的有效性指数、Hubert 的 gamma、G2/G3 系数或校正后的 Rand 指数。基本上，我们想知道原始距离矩阵在聚类空间中的近似程度，因此对共相相关性的测量也是有用的。我还使用具有多个起始值的 k-means 和间隙统计量( mirror ) 来确定最小化内部 SS 的集群数量。与 Ward 层次聚类的一致性给出了集群解决方案稳定性的概念（您可以使用matchClasses()在e1071包中）。

您将在 CRAN 任务视图集群中找到有用的资源，包括pvclust、fpc、clv等。另外值得一试的是clValid包（在Journal of Statistical Software中有描述）。

现在，如果您的集群随着时间的推移而变化，这就有点棘手了；为什么选择第一个集群解决方案而不是另一个？您是否期望某些人从一个集群移动到另一个集群，这是由于一个潜在的过程随着时间而演变的结果？

正如您在上一个问题中向您建议的那样，有一些措施试图匹配具有最大绝对或相对重叠的集群。查看比较聚类 - Wagner 和 Wagner 的概述。

真的没有答案。介于 1 和 N 之间。

但是，您可以从利润的角度考虑它。

例如，在营销中使用细分，这很像集群。

为每个人量身定制的消息（例如广告或信件）将具有最高的响应率。为平均值量身定制的通用消息将具有最低的响应率。话虽如此，为三个细分市场量身定制的三个消息将介于两者之间。这是收入方面。

为每个人量身定制的消息将具有最高的成本。为平均值量身定制的通用消息将具有最低的成本。为三个部分量身定制的三个消息将介于两者之间。

假设支付一个作家写一条自定义消息的费用为 1000，两个费用为 2000，依此类推。

假设使用一条消息，您的收入将是 5000。如果您将客户分成 2 个段，并为每个段编写量身定制的消息，您的响应率会更高。假设现在的收入是 7500。三个细分市场，响应率稍高，您的收入是 9000。再增加一个细分市场，您的收入是 9500。

为了使利润最大化，不断进行细分，直到细分的边际收益等于细分的边际成本。在此示例中，您将使用三个细分来最大化利润。

Segments  Revenue  Cost  Profit
1         5000     1000  4000
2         7500     2000  5500
3         9000     3000  6000
4         9500     4000  5500

也许最简单的方法之一是图形表示，其中 x 轴是组数，y 轴是距离或相似度的任何评估指标。在该图中，您通常可以观察到两个不同的区域，即“最佳”聚类数线的“膝盖”处的 x 轴值。

还有一些统计数据可以帮助完成这项任务：Hubert' gamma、pseudo-t²、pseudo-F 或三次聚类标准 (CCC) 等。

还有“Clustergram：聚类分析的可视化和诊断”（附R代码）

不是真正的答案，而是工具箱的另一个有趣的想法。