📐 手肘法 (Elbow Method) 互動演示

請點擊按鈕，觀察隨著分群數量 (K) 增加，誤差 (SSE) 是如何變化的。

K (分群數量) SSE (誤差/混亂度)
準備就緒：請點擊「增加 K 值」開始實驗

🧐 原理白話文解析

1. SSE (誤差平方和) 是什麼？
白話翻譯：「房間的凌亂程度」。
數值越高，代表組員離組長（中心點）很遠，大家住得很散，管理很鬆散。
我們希望這個數字越低越好。
2. 為什麼曲線會往下降？
白話翻譯：「人多好辦事」。
想像你在整理房間，如果你用 100 個箱子來分類（K很大），每個東西都有自己的專屬箱子，那當然超級整齊（SSE=0）。
但是！箱子太多你根本沒法管理。所以我們不能只追求誤差低。
3. 什麼是「手肘點」 (The Elbow)？
白話翻譯：「CP 值最高的那個轉折點」。
請看上方動畫，當 K 從 1 變 2，誤差下降超快（很划算）；從 2 變 3，也降不少。
但過了 3 之後，曲線變得平緩，再增加 K 值也只是「稍微」整齊一點點，不划算。
那個像手臂彎曲的地方 (通常是 K=3)，就是我們要的最佳解。

📝 iPAS 考點提醒

手肘法是挑 K-means 群數 k 的常用方法,iPAS 分群考點(中級科目三)。重點:畫不同 k 對應的群內誤差平方和(SSE),找曲線手肘轉折處當 k——再加群數收益明顯變小的點。易混點:手肘有時不明顯,可改用輪廓係數輔助;SSE 必隨 k 增加而下降(k 等於樣本數時為 0),不能只看 SSE 最小。情境:K-means 前決定分幾群。

想練情境題與詳解 → AI 學習與考證地圖

❓ 常見問題

手肘法(Elbow Method)是什麼？

一種選分群數 K 的方法：畫群內誤差(SSE 或 inertia)對 K 的曲線，找曲線像手肘般彎折變平緩的 K 當合適群數。

為什麼看手肘？

K 增加 SSE 必然下降，但過了某點後下降變慢(報酬遞減)；那個轉折代表再增群獲益有限，是 K 的合理選擇。

手肘法的限制？

有時手肘不明顯、難判斷，主觀性高；可搭配輪廓係數、Gap statistic 或領域知識輔助。

適用哪些演算法？

主要用於 K-means 等需要事先指定 K 的方法；DBSCAN、階層式不需指定 K，用法不同。

還有哪些選 K 的方法？

輪廓係數(看分群品質)、Gap statistic、Davies-Bouldin 指數，或依業務需求決定群數。

🧭 相關主題

K-MeansMAE、MSE、RMSE、R²準確率、F1、Log Loss準確率、OOB誤差、特徵重要性準確率、AUC-ROC、Log Loss準確率、邊界間距
← 返回 AI 學習與考證地圖