聚类 K-Means 代价
K-Means 代价估算器，输入样本与簇中心估算聚类惯性 inertia(簇内平方和)，用于评估聚类紧致度与 k 选择。
📊 K-Means Cost (Inertia) Estimator
Estimate K-Means inertia, the within-cluster sum of squares, from sample points and centroids, to compare clustering configurations.
📐 计算公式 / 原理
Inertia 估算 ≈ n·dim·spread²/k；每簇样本 ≈ ⌈n/k⌉
在样本近似均匀分布的假设下，簇内平方和随 K 增大按 1/k 衰减，可用于快速预判需要多少簇。实际数据有簇密度差异时，应结合业务含义定 K，而不是只看指标拐点。
📐 计算公式与说明
Inertia ≈ ΣΣ||x − μ||²
Inertia 越小簇内越紧密。
📚 深度解析：K-Means 代价
💡 常见使用场景
- 惯性 inertia=Σ‖x−μ_k‖²(簇内平方和 WCSS)，越小聚类越紧致。
- inertia 随 k 增大单调下降，需用拐点(手肘)或轮廓系数选 k。
- K-Means 对初始中心与异常值敏感，常多次初始化取最优。
代价比较
k=2 时 inertia=500, k=3 时=300, k=4 时=220。inertia 持续下降，k=3→4 降幅(80)明显小于 2→3(200)，结合业务选 k=3 或 4。
❓ 常见问题（FAQ）
- inertia 越小越好吗？
- 不是。k 越大 inertia 越小，k=样本数时为 0 但失去聚类意义；应兼顾紧致性与簇数简洁，用手肘/轮廓系数平衡。
- 异常值怎么处理？
- 异常值会大幅拉高 inertia 并偏移质心，可先做离群检测或用 K-Medoids(基于距离中位数)更稳健。