試著拖曳藍色的點，觀察 SSE 數值如何隨著距離變化。我們的目標是讓 SSE 越小越好。
白話：「全體組員的遲到時間總和」。
假設紅色中心點是公司，藍色點是員工的家。SSE 就是計算所有員工住家到公司的「距離平方加總」。
如果大家都住公司隔壁，SSE 就很低（好）；如果大家住很遠，SSE 就會爆炸高（不好）。
白話：「嚴懲那些離群索居的人」。
在數學上，平方會讓大的數字變得更大。
白話：「團結度」。
在 K-Means 演算法中，電腦一直在做一件事：移動中心點，想辦法讓 SSE 降到最低。
SSE 越小，代表這群人越團結，這個分群就越緊密。
SSE(群內誤差平方和、inertia)是 K-means 的目標與評估量,iPAS 分群考點(中級科目三)。重點:各點到所屬群中心距離平方的總和,越小代表群內越緊密;手肘法就是看 SSE 隨 k 的下降轉折。易混點:SSE 必隨 k 增加而下降(k 等於樣本數時為 0),不能只追 SSE 最小;它只看群內、沒看群間分離(輪廓係數兼顧兩者)。情境:挑 K-means 的 k。
想練情境題與詳解 → AI 學習與考證地圖
Sum of Squared Errors，組內平方和：每個點到其所屬群中心的距離平方總和；K-means 就是在最小化 SSE，值越小代表群內越緊密。
用手肘法(elbow)：畫 SSE 對 K 的曲線，K 增加 SSE 會下降，找下降趨緩的手肘轉折點當合適 K。
K 越大 SSE 一定越小(極端時每點自成一群 SSE 為 0)；所以不能只追求最小 SSE，要找報酬遞減的轉折。
SSE 只看群內緊密度；輪廓係數同時看群內緊密與群間分離，更全面，常一起用來評估分群。
有，迴歸的 SSE 是預測值與真實值的殘差平方和；MSE 就是 SSE 除以樣本數，概念相通。