在數(shù)據(jù)挖掘算法中，K均值聚類算法是一種比較常見的無(wú)監(jiān)督學(xué)習(xí)方法，簇間數(shù)據(jù)對(duì)象越相異，簇內(nèi)數(shù)據(jù)對(duì)象越相似，說明該聚類效果越好。然而，簇個(gè)數(shù)的選取通常是由有經(jīng)驗(yàn)的用戶預(yù)先進(jìn)行設(shè)定的參數(shù)。本文提出了一種能夠自動(dòng)確定聚類個(gè)數(shù)，采用SSE和簇的個(gè)數(shù)進(jìn)行度量，提出了一種聚類個(gè)數(shù)自適應(yīng)的聚類方法（簡(jiǎn)稱：SKKM）。通過UCI數(shù)據(jù)和仿真數(shù)據(jù)對(duì)象的實(shí)驗(yàn)，對(duì)SKKM算法進(jìn)行了驗(yàn)證，實(shí)驗(yàn)結(jié)果表明改進(jìn)的算法可以快速的找到數(shù)據(jù)對(duì)象中聚類個(gè)數(shù)，提高了算法的性能。