Specjalista ds. danych wykreślił bezwładność klastrowania k-średnich (sumę kwadratów odległości) dla wartości k od 1 do 10. Na podstawie załamania (tzw. „łokcia”) na wykresie, która wartość k jest rozsądnym wyborem?

Prawidłowa odpowiedź to 4. Metoda łokcia (elbow method) służy do określania optymalnej liczby klastrów (k) w algorytmie k-średnich. Polega ona na wykreślaniu bezwładności (sumy kwadratów odległości punktów od centroidów ich klastrów) w funkcji liczby klastrów. Optymalna wartość k to punkt, w którym spadek bezwładności zaczyna znacząco zwalniać, tworząc „załamanie” lub „łokieć” na wykresie. W tym przypadku, po k=4, dalsze zwiększanie liczby klastrów nie przynosi już tak dużego zmniejszenia bezwładności, co sugeruje, że 4 klastry są dobrym kompromisem między złożonością modelu a jakością grupowania. Wybór 1 klastra jest zbyt uproszczony, a 7 lub 10 klastrów może prowadzić do nadmiernego dopasowania (overfitting) lub zbyt małej interpretowalności.