Un scientifique des données a tracé l'inertie du clustering k-means (somme des distances au carré) pour des valeurs de k allant de 1 à 10. En se basant sur le « coude » du graphique, quelle valeur de k est un choix raisonnable ?

L'inertie (somme des carrés des distances intra-cluster) diminue à mesure que le nombre de clusters (k) augmente. Le "coude" est le point où cette diminution ralentit considérablement, indiquant que l'ajout de clusters supplémentaires n'apporte plus beaucoup d'amélioration à la compacité des clusters. Sur un graphique, ce point ressemble à un coude. Dans cet exemple, la valeur 4 est le point où la pente de la courbe d'inertie change le plus abruptement, suggérant que 4 clusters représentent un bon équilibre entre la complexité du modèle et la compacité des clusters. Les valeurs 1, 7 et 10 ne montrent pas ce changement significatif dans la pente.