1、通过设置不同的k值来测试和计算轮廓系数，可以获得最佳k值对应的最佳轮廓系数。
2、也可以绘图观察和选择最高。但为了防止拟合现象，也可以通过手肘选择最佳k值。
实例
from sklearn.cluster import KMeans
from sklearn.preprocessing import MaxAbsScaler # 小数定标标准化
from sklearn.preprocessing import MinMaxScaler # 离差标准化
from sklearn.preprocessing import StandardScaler # 标准差标准化
# 评估指标-----轮廓系数
from sklearn.metrics import silhouetee_score
# 由于是聚类算法，数据可能存在量纲，需要标准化，在使用算法之前
# 实例化
sca = MaxAbsScaler()
sca = MinMaxScaler()
sca = StandardScaler()
# 拟合
sca.fit( 训练集特征 )
# 处理数据
X_train = sca.transform( 训练集特征 )
# 实例化
km = KMeans()
# 参数：
# n_clusters=3，表示k=3，也就是随机三个聚类中心，最小值是2
# init，聚类中心初始化方法，默认k-means++
# max_iter，迭代次数，默认300，如果后期无法收敛可以尝试增加迭代次数
# random_state=1，随机种子，默认是None
# 拟合
km.fit( 训练集特征 )
# 查看聚类中心
print('聚类中心：', km.cluster_centers_)
# 查看预测结果
# 可以直接传入训练集，也可以传入自定义二维数组
y_pred = km.predict( 训练集特征 )
print('整个数据的类别：', y_pred)
# 查看SSE---误差平方和
# 默认是取反操作，大多数情况得出来的是负值【-inf, 0】
# 绝对值越小越好
score = km.score(X_train, y_pred)
print('SSE', score)
# 评估指标----轮廓系数(-1, 1)，越大越好
print('轮廓系数：', silhouetee_score(X_train, y_pred))
