blog.csdn.net
聚类分析之k-means算法 (SSE、轮廓分析）-CSDN博客
Jun 13, 2018 · 本文介绍了无监督学习中的聚类分析方法，重点讲解了K-Means及其改进版K-Means++算法的工作原理及应用。 同时对比了硬聚类与软聚类的区别，并探讨了聚类算法的性能评估指标。
kmeans的sse
Searching…
Web results
zhuanlan.zhihu.com
最常用的聚类算法——K-Means原理详解和实操应用(R&Python)
在传统K-Means中，K个初始点设置后，各个簇的大致范围其实也就落定了，无论更新多少次，中心点的位置也不会有过大的变化，也因此我们只是不断在调整当前类簇的大小（或者说形状），然后找到这K个类簇取得最小SSE时的聚类结果，这也就是我们所找到的局部 ...
www.cnblogs.com
K-Means聚类分析以及误差平方和SSE（Python实现） - 你这过氧化氢掺水了 -...
Nov 14, 2024 · 计算好的平均SSE值被存储在一个列表中，并最终输出至控制台以显示K值与SSE的关系。 将K值与平均SSE的关系写入到一个文本文件中，方便后续查看和分析。 使用折线图将K值与对应的平均SSE可视化，直观展示聚类数量对聚类效果的影响。
www.bilibili.com
Video — click to view
【小白学统计】K-means聚类分析案例分析及软件操作教程，聚类分析K值如何确定？ SSE值与平均轮廓系数的使用，聚类分析四种类型
blog.51cto.com
Python kmeans聚类 sse曲线制图_mob64ca12db3721的技术博客_51CTO博客
Jul 20, 2024 · 通过本文的指导，你应该已经了解了如何使用Python实现K-Means聚类并绘制SSE曲线。 这个过程不仅有助于你理解聚类算法，还能帮助你在实际项目中选择合适的聚类数。
mengbaoliang.cn
K-means 算法聚类评估方法 - 一亩三分地
Jul 28, 2025 · SSE 的值越大说明聚类效果越不好 SSE 越小越好。 我们通过 KMeans 对象的 inertia_ 属性来获得 SSE 误差平方和 值。 如何通过 SSE 来选择 K 值呢？ 对于n个点的数据集，迭代计算 k from 1 to n，每次聚类完成后计算 SSESSE 是会逐渐变小的，因为每个点都是它所在的簇中心 ...
zhuanlan.zhihu.com
衡量「聚类算法 K-means」效果的方法：SSE - 知乎
衡量「聚类算法 K-means」效果的方法：SSE 知乎用户LZM8b7 华中科技大学 管理学硕士在读
blog.csdn.net
【机器学习】【KMeans聚类分析实战】用户分群聚类详解——SSE、CH 指数...
Jun 8, 2025 · 本文将以“用户分群”为例，展示如何通过 KMeans 聚类，利用 SSE（误差平方和，也称 Inertia）、Calinski-Harabasz 指数（CH Score）和 Silhouette Score（轮廓系数）来判断最佳的聚类数。
segmentfault.com
数据挖掘 - kmeans - 个人文章 - SegmentFault 思否
Nov 5, 2024 · 肘部法是选取 𝑘 k 值的常用方法，通过计算不同 𝑘 k 值下的总误差平方和（Sum of Squared Errors, SSE），找到SSE显著减少的转折点：
zhuanlan.zhihu.com
K-Means聚类最优k值的选取 - 知乎
手肘法的核心思想是：随着聚类数k的增大，样本划分会更加精细，每个簇的聚合程度会逐渐提高，那么误差平方和SSE自然会逐渐变小。