WSS-menetelmän lisäksi silhuettipisteet ovat toinen hyödyllinen mittari optimaalisen klusterimäärän (K) määrittämiseen K-means-menetelmässä. Silhuettipiste arvioi, kuinka hyvin kukin datapiste sopii omaan klusteriinsa verrattuna muihin.

Jokaiselle datapisteelle silhuettipiste ottaa huomioon:

• Koheesio (a): keskimääräinen etäisyys oman klusterin pisteisiin;

• Erottuvuus (b): keskimääräinen etäisyys lähimmän muun klusterin pisteisiin.

Silhuettipiste lasketaan kaavalla: (b - a) / max(a, b), ja se vaihtelee välillä -1–+1.

Pisteiden tulkinta:

• +1: piste on hyvin klusteroitu;

• ~0: piste on klusterin rajalla;

• -1: piste voi olla väärin luokiteltu.

Vaiheet optimaalisen K:n löytämiseksi silhuettipisteen avulla:

• Suorita K-means useilla K-arvoilla (esim. K=2 tiettyyn rajaan asti);

• Laske jokaiselle K:lle keskimääräinen silhuettipiste;

• Piirrä keskimääräinen silhuettipiste vs. K (silhuettikuvaaja);

• Valitse K, jolla on korkein keskimääräinen silhuettipiste.

Silhuettikuvaajan tarkastelu, joka näyttää pisteiden pisteet, voi antaa syvempää tietoa klusterien johdonmukaisuudesta. Korkeat keskimääräiset pisteet ja tasaiset pisteet pisteiden välillä ovat toivottavia.

Yhteenvetona: WSS minimoi klusterin sisäiset etäisyydet, kun taas silhuettipiste tasapainottaa koheesiota ja erottuvuutta. Molempien käyttäminen tarjoaa vankemman lähestymistavan optimaalisen K:n löytämiseen.