Abstract
K-Means является одним из наиболее распространённых мето-дов кластеризации, однако он имеет существенное ограничение. Перед запуском алгоритма необходимо заранее задать количество кластеров (k), и неправильный выбор данного значения может привести к низкому качеству результатов. Для ре-шения этой проблемы в статье предлагается метод двойного среднего значения (Dual Mean Approach). В отличие от стандартных методов, данный подход не фик-сирует значение k заранее, а определяет его оптимальное значение посредством совместного рассмотрения двух показателей: среднего расстояния между точками внутри кластера и среднего расстояния между точками, принадлежащими различ-ным кластерам. Одновременное использование этих показателей позволяет более точно выявить структуру данных. Основная идея метода заключается в обеспе-чении баланса между компактностью кластеров и их разделимостью. Результаты тестирования на нескольких эталонных наборах данных показали, что предложен-ный подход позволяет оценивать значения k, близкие к фактическому количеству кластеров. Кроме того, по сравнению с методом локтя (Elbow Method) он обеспе-чивает более стабильные результаты.