您可以最大化貝葉斯信息準則（BIC）：

BIC(C | X) = L(X | C) - (p / 2) * log n

其中L(X | C)在所述數據集的對數似然X根據模型C，p是在模型參數的數量C，并且n是在數據集中的點的數量。參見Dan Pelleg和Andrew Moore在ICML 2000中的“X-means：擴展K -means并有效估計簇的數量”。

另一種方法是從較大的值開始k并繼續移除質心（減少k），直到它不再減少描述長度。參見Horst Bischof，Ales Leonardis和Alexander Selb在Pattern Analysis and Applications vol。中的“MDL原理用于魯棒矢量量化”。2，p。1999年9月59日至72日。

最后，您可以從一個群集開始，然后繼續分割群集，直到分配給每個群集的點具有高斯分布。在“學習k -me 中的k ”（NIPS 2003）中，Greg Hamerly和Charles Elkan展示了一些證據表明這比BIC更好，并且BIC并沒有足夠強烈地懲罰模型的復雜性。

基本上，您希望在兩個變量之間找到平衡：聚類數（k）和聚類的平均方差。您希望最小化前者，同時最小化后者。當然，隨著簇數的增加，平均方差減?。ㄖ钡?em>k = n和方差= 0 的平凡情況）。

與數據分析一樣，在所有情況下，沒有一種方法比其他方法更好。最后，你必須使用自己最好的判斷。為此，有助于根據平均方差繪制聚類數（假設您已經為幾個k值運行了算法）。然后，您可以使用曲線拐點處的簇數。