一位資料科學家繪製了 k-means 叢集慣性 (平方距離的總和)，k 值從 1 到 10。根據圖中的「手肘點」，哪個 k 值是合理的選擇？

手肘法（Elbow Method）用於確定 K-means 演算法的最佳叢集數量 (k)。它透過繪製不同 k 值下的慣性（或稱平方誤差和，SSE）來尋找慣性下降速度顯著變慢的「手肘點」。這個點通常代表著增加更多叢集所帶來的效益開始遞減。 在此圖中，當 k 值從 1 增加到 4 時，慣性值急劇下降。然而，從 k=4 到 k=5 之後，慣性值的下降幅度變得相對平緩，曲線的斜率明顯減小，形成了一個類似「手肘」的彎曲點。因此，k=4 是最合理的選擇，因為它在減少慣性與避免過度叢集之間取得了良好的平衡。 選項 1 太少，無法有效區分資料中的潛在群組。選項 7 和 10 則可能導致過度叢集（over-clustering），增加了模型的複雜性，但對慣性的改善卻很小。