手肘法一定準嗎？

不一定。資料無清晰簇結構時拐點模糊，需配合輪廓係數、Gap Statistic 或業務含義；手肘法只是啟發式起點。

WCSS 一直降要不要一直加 k？

不必。k 接近樣本數時 WCSS→0 但失去聚類意義；目標是'資訊增益'與'簡潔性'平衡，拐點之後邊際收益迅速變小。

🤖 Elbow Method WCSS Drop Analyzer

Enter within-cluster sum of squares for several values of k and find the elbow where adding clusters stops paying off.

📐 計算公式 / 原理

降幅 = (WCSS_k − WCSS_{k+1}) / WCSS_k × 100%；比率 = WCSS_{k+1} / WCSS_k

手肘法看簇內平方和隨 K 增大而下降的邊際收益：降幅突然變小的拐點即"手肘"。它依賴人眼判讀，簇形狀不均時拐點不明顯，可輔以輪廓係數或 Calinski-Harabasz 指數交叉驗證。

k 時 WCSS

k+1 時 WCSS

當前 k

選 k

k=2→WCSS=500, k=3→300(降200), k=4→220(降80), k=5→190(降30)。降幅在 k=3→4 明顯放緩，手肘點約 k=3~4，選 k=4 既緊緻又不冗餘。

手肘法一定準嗎？: 不一定。資料無清晰簇結構時拐點模糊，需配合輪廓係數、Gap Statistic 或業務含義；手肘法只是啟發式起點。
WCSS 一直降要不要一直加 k？: 不必。k 接近樣本數時 WCSS→0 但失去聚類意義；目標是'資訊增益'與'簡潔性'平衡，拐點之後邊際收益迅速變小。