Another method looks at the percent

Another method looks at the percentage of variance explained as a function of the number of clusters: One should choose a number of clusters so that adding another cluster doesn't give much better modeling of the data. More precisely, if one plots the percentage of variance explained by the clusters against the number of clusters, the first clusters will add much information (explain a lot of variance), but at some point the marginal gain will drop, giving an angle in the graph. The number of clusters is chosen at this point, hence the "elbow criterion". This "elbow" cannot always be unambiguously identified.[1] Percentage of variance explained is the ratio of the between-group variance to the total variance, also known as an F-test. A slight variation of this method plots the curvature of the within group variance.[2] The method can be traced to speculation by Robert L. Thorndike in 1953.[3]

Hasil (Bahasa Indonesia) 1:

Metode lain memandang persentase varians dijelaskan sebagai fungsi dari jumlah kluster: satu harus memilih sejumlah kelompok sehingga menambahkan klaster lainnya tidak memberikan banyak lebih baik pemodelan data. Lebih tepatnya, jika salah satu plot persentase varians dijelaskan oleh kelompok terhadap jumlah kluster, cluster pertama akan menambahkan banyak informasi (menjelaskan banyak varians), tetapi di beberapa titik gain marjinal akan turun, memberikan suatu sudut dalam grafik. Jumlah kluster dipilih pada titik ini, maka "kriteria siku". Ini "siku" tidak selalu jelas diidentifikasi. [1] persentase varians dijelaskan adalah rasio dari varians antara kelompok untuk total varians, juga dikenal sebagai F-test. Sedikit variasi dari metode ini plot kelengkungan dalam kelompok varians. [2] metode dapat ditelusuri ke spekulasi oleh Robert L. Thorndike pada tahun 1953. [3]

Hasil (Bahasa Indonesia) 2:

Metode lain terlihat pada persentase perbedaan dijelaskan sebagai fungsi dari jumlah cluster: Satu harus memilih jumlah cluster sehingga menambah klaster lain tidak memberikan pemodelan jauh lebih baik dari data. Lebih tepatnya, jika salah satu plot persentase varians dijelaskan oleh kelompok terhadap jumlah cluster, cluster pertama akan menambah banyak informasi (menjelaskan banyak varian), tetapi di beberapa titik gain marjinal akan turun, memberikan sudut di grafik. Jumlah cluster yang dipilih pada saat ini, maka "kriteria siku". Ini "siku" tidak selalu dapat diidentifikasi jelas. [1] Persentase perbedaan dijelaskan adalah rasio antara kelompok varians total varians, juga dikenal sebagai F-test. Sebuah variasi kecil dari metode ini plot kelengkungan dalam kelompok varians. [2] Metode ini dapat ditelusuri spekulasi oleh Robert L. Thorndike pada tahun 1953. [3]