Naast de WSS-methode is de silhouet score een andere waardevolle maatstaf voor het bepalen van het optimale aantal clusters (K) bij K-means. Deze score beoordeelt hoe goed elk datapunt bij zijn cluster past in vergelijking met andere clusters.

Voor elk datapunt houdt de silhouet score rekening met:

• Cohesie (a): gemiddelde afstand tot punten binnen hetzelfde cluster;

• Separatie (b): gemiddelde afstand tot punten in het dichtstbijzijnde andere cluster.

De Silhouet Score wordt berekend als: (b - a) / max(a, b), met een bereik van -1 tot +1.

Interpretatie van de score:

• +1: punt is goed geclusterd;

• ~0: punt bevindt zich op de clustergrens;

• -1: punt is mogelijk verkeerd geclassificeerd.

De stappen om het optimale K te vinden met behulp van de silhouet score zijn als volgt:

• Voer K-means uit voor een reeks K-waarden (bijvoorbeeld K=2 tot een redelijk maximum);

• Bereken voor elke K de gemiddelde silhouet score;

• Plot de gemiddelde silhouet score tegenover K (silhouet plot);

• Kies de K met de hoogste gemiddelde silhouet score.

Het bestuderen van de silhouet plot, die scores voor elk punt toont, kan diepere inzichten geven in de consistentie van clusters. Hogere gemiddelde scores en consistente scores over de punten zijn wenselijk.

Samengevat: terwijl WSS de binnen-cluster afstanden minimaliseert, balanceert de silhouet score cohesie en separatie. Het gebruik van beide biedt een robuustere benadering voor het vinden van het optimale K.