一、聚类算法概述
聚类是机器学习中的一种无监督学习方法，核心思想是将相似的样本划分到同一组（簇），而不依赖于预先给定的标签。与监督学习不同，聚类问题中没有明确的 "答案" 作为参考，其主要难点在于如何评估聚类效果以及合理调参。
二、距离度量
在聚类中，样本间的相似度通常通过距离来衡量，常用的距离度量方式有以下两种：
（一）欧式距离
欧式距离是最常见的距离度量方式，衡量的是多维空间中两个点之间的绝对距离。
-
二维空间公式：d 等于 x1 减 x2 的平方加上 y1 减 y2 的平方，整体开根号
-
三维空间公式：在二维基础上增加 z1 减 z2 的平方项，整体开根号
-
n 维空间公式：d 等于从 i=1 到 n，每个维度上 x1i 减 x2i 的平方和，整体开根号
-
特点：直观反映两点间的直线距离，适用于多数常规场景。
（二）曼哈顿距离
曼哈顿距离又称出租车距离，指两个点在标准坐标系上的绝对轴距总和。
-
平面上两点((x1,y1)\)与((x2,y2)\)的曼哈顿距离公式：d(i,j)=∣x1−x2∣+∣y1−y2∣
-
特点：更适合描述网格状空间中两点的实际移动距离（如城市中出租车的行驶路径）。
三、K-means 算法步骤
K-means 是最经典的聚类算法之一，其核心流程如下：
-
初始化：设定聚类簇数k，随机选择k个样本点作为初始聚类中心。
-
样本聚类：计算每个样本到各个聚类中心的距离，将样本指派到距离最近的中心所属的簇中，形成当前聚类结果。
-
更新中心：针对每个簇，计算簇内所有样本的均值，将该均值作为新的聚类中心。
-
迭代收敛：重复步骤 2 和 3，直到聚类中心不再明显变化（收敛）或达到最大迭代次数，输出最终聚类结果。
四、算法评估 ------CH 指标
CH 指标是评估聚类效果的常用指标，其计算基于类内紧密度和类间分离度：
-
类内紧密度：通过类中各点与类中心的距离平方和衡量。
-
类间分离度：通过各类中心点与数据集总中心点的距离平方和衡量。
-
特点：CH 值越大，表明簇内样本越紧密、簇间差异越明显，聚类效果越好。
五、K-means 算法的优缺点
（一）优点
-
原理简单直观，易于理解和实现。
-
计算效率高，处理大规模数据集时表现良好，复杂度与样本数量呈线性关系。
-
适用于常规分布的数据集，聚类效果稳定。
（二）缺点
-
需预先指定簇数k，而k的最优值往往难以确定。
-
对初始聚类中心的选择敏感，不同初始值可能导致不同聚类结果。
-
难以处理非凸形状、密度差异大的簇，对噪声和离群值较敏感。
六、代码实现相关工具
（一）数据集生成：make_blobs()
该函数用于生成适合聚类的模拟数据集，主要参数如下：
| 参数 | 说明 |
|---|---|
n_samples |
数据样本点个数，默认值为 100 |
n_features |
每个样本的特征数（数据维度），默认值为 2 |
centers |
类别数（簇的数量），默认值为 3 |
cluster_std |
每个类别的方差，控制簇内样本的分散程度 |
center_box |
聚类中心的取值范围，默认值为 (-10.0, 10.0) |
shuffle |
是否打乱数据，默认值为 True |
random_state |
随机种子，用于固定生成的数据，便于结果复现 |
（二）聚类实现：KMeans()
该类用于执行 K-means 聚类算法，主要参数如下：
| 参数 | 说明 |
|---|---|
n_clusters |
聚类簇的数量（即k值） |
max_iter |
最大迭代次数，默认值为 300 |
n_init |
算法运行次数（每次使用不同初始中心），默认值为 10 |
random_state |
随机种子，控制初始中心的选择，保证结果可复现 |