get_optimal_k没有这个

确实，`get_optimal_k`不是一个内置函数。在实际操作中，我们可以使用一些常用的启发式方法或者第三方库来找到最优的聚类数量K值。这里我们可以提供一种常见的方法，例如肘部法则（Elbow Method）或轮廓系数的峰值法。

**肘部法则**：

wcss = []
for i in range(1, max_range + 1):
    kmeans = KMeans(n_clusters=i, init='k-means++', max_iter=300, n_init=10, random_state=0)
    kmeans.fit(new_data)
    wcss.append(kmeans.inertia_)
plt.plot(range(1, max_range+1), wcss)
plt.title('Elbow Method')
plt.xlabel('Number of Clusters')
plt.ylabel('WCSS (Within Cluster Sum of Squares)')
best_k = wcss.index(min(wcss)) + 1  # 找到拐点处的K值

**轮廓系数峰值法**：

silhouettes = []
for k in range(2, max_clusters + 1):
    kmeans = KMeans(n_clusters=k)
    y_pred = kmeans.fit_predict(new_data)
    score = silhouette_score(new_data, y_pred)
    silhouettes.append(score)
best_k = silhouettes.index(max(silhouettes)) + 2  # 因为之前有1（单聚类）作为基准

这两个方法都假设存在一个转折点，在那里增加聚类数量对降低误差的贡献开始减小。