Förutom WSS-metoden är silhuettpoängen en annan värdefull mätare för att bestämma det optimala antalet kluster (K) i K-means. Den utvärderar hur väl varje datapunkt passar i sitt kluster jämfört med andra.

För varje datapunkt beaktar silhuettpoängen:

• Sammanhållning (a): genomsnittligt avstånd till punkter inom sitt eget kluster;

• Separation (b): genomsnittligt avstånd till punkter i det närmaste andra klustret.

Silhuettpoängen beräknas som: (b - a) / max(a, b), och varierar från -1 till +1.

Tolkning av poäng:

• +1: punkten är välklustrad;

• ~0: punkten ligger på klustergränsen;

• -1: punkten kan vara felklassificerad.

Steg för att hitta optimalt K med silhuettpoäng är följande:

• Kör K-means för ett intervall av K-värden (t.ex. K=2 till en rimlig gräns);

• Beräkna den genomsnittliga silhuettpoängen för varje K;

• Plotta genomsnittlig silhuettpoäng mot K (silhuettplot);

• Välj det K med högst genomsnittlig silhuettpoäng.

Att undersöka silhuettplotten, som visar poäng för varje punkt, kan ge djupare insikt i klusterkonsistens. Högre genomsnittliga poäng och jämna poäng över punkterna är önskvärt.

Sammanfattningsvis, medan WSS minimerar inomklusteravstånd, balanserar silhuettpoängen sammanhållning och separation. Att använda båda ger ett mer robust tillvägagångssätt för att hitta det optimala K.