无监督学习中存在一个问题，就是我们并不知道问题的确切答案。由于没有数据集样本类标的确切数据，所以我们无法在无监督学习中使用第6章中用来评估监督学习模型性能的相关技术。因此，为了对聚类效果进行定量分析，我们需要使用模型内部的固有度量来比较不同k-means聚类结果的性能，例如本章先前讨论过的簇内误差平方和（即聚类偏差）。在完成KMeans模型的拟合后，簇内误差平方和可以通过inertia属性来访问，因此，我们无需再次计算就可直接拿来使用。
基于簇内误差平方和，我们可使用图形工具，即所谓的肘方法，针对给定任务估计出最优的簇数量k。直观地看，增加k的值可以降低聚类偏差。这是因为样本会更加接近其所在簇的中心点。肘方法的基本理念就是找出聚类偏差骤增时的k值，我们可以绘制出不同k值对应的聚类偏差图，以做更清晰的观察：
如下图所示，当k＝3时图案呈现了肘型，这表明对于此数据集来说，k＝3的确是一个好的选择：