肘部算法（Elbow Method）是一種在聚類分析中用於確定最佳聚類數量（即K值）的經驗方法。這種方法特別適用於K-Means算法，其工作原理如下：
運行K-Means算法：對於不同的K值（即不同的聚類數量），運行K-Means聚類算法。
計算損失函式：對於每個K值，計算聚類內誤差平方和（Sum of Squared Errors，SSE），這是聚類分析中的一個常用損失函式。
觀察圖形：將不同K值對應的SSE繪製成圖形。
確定肘部：在圖形上尋找一個明顯的拐點，這個拐點通常標誌著聚類數量的增加對SSE下降的影響開始減小的點。
選擇最佳K值：選擇肘部對應的K值作為最佳聚類數量，因為在這個點之後，增加聚類數量對降低SSE的效果不再顯著，從而達到了一個聚類效果的平衡點。
肘部算法的優點在於它提供了一個直觀的方式來選擇聚類數量，但它的缺點是具有一定的主觀性，因為肘部的確定並不總是非常明顯。此外，這種方法並不適用於所有情況，特別是當損失函式隨著K的增大平緩下降時，肘部法則可能不夠有效。
總結來說，肘部算法是一種通過觀察聚類效果隨聚類數量變化的方式來確定最佳聚類數量的方法，它基於一個假設：存在一個最佳的聚類數量，使得在該點之後，增加聚類數量對降低損失函式的效果不再顯著。這種方法雖然直觀，但需要用戶具有一定的數據理解和分析經驗來準確地識別肘部點。