K 均值聚类：从概念到实践的无监督学习之旅

在机器学习的世界里，有一类算法能在没有 "参考答案"（标签）的情况下，将相似的数据自动归为一类，这就是聚类算法。其中，K 均值（K-means）算法因其简单高效，成为最常用的聚类方法之一。

一、聚类：无监督学习的 "分组术"

聚类是机器学习中的一种无监督学习任务 ------ 也就是说，我们手上的数据没有预设的标签（比如 "猫""狗" 或 "好""坏"），需要通过算法自动发现数据中的内在结构，将相似的样本分到同一组（称为 "簇"），不同的样本分到不同的组。

举个例子：如果给你一组包含身高、体重的数据，聚类算法能自动将 "高瘦""矮胖" 等特征相似的人归为一类，而不需要提前告诉你 "这是高瘦组"。

聚类的核心挑战在于两点：

如何定义 "相似"（通常通过距离度量）；

如何评估聚类结果的好坏（因为没有标签，无法直接判断对错）。

二、衡量 "相似性"：距离度量的关键作用

要判断两个样本是否相似，最直观的方式是计算它们之间的 "距离"------ 距离越近，越相似。常用的距离度量有两种：

1. 欧式距离（欧几里得距离）

这是我们最熟悉的距离度量，本质是多维空间中两点之间的 "直线距离"。

2. 曼哈顿距离（出租车距离）

想象在城市网格中，出租车从一个点到另一个点的行驶距离（只能沿直角方向移动），就是曼哈顿距离。

三、K 均值聚类：算法步骤详解

K 均值聚类的核心思想是：通过迭代找到\(k\)个簇的中心，让每个样本都属于离它最近的中心所在的簇，最终使簇内样本尽可能相似，簇间样本尽可能不同。

具体步骤如下：

初始化：随机选择\(k\)个样本作为初始的 "簇中心"（k是我们需要提前设定的簇数量）；

分配样本：计算每个样本到\(k\)个簇中心的距离，将样本分到距离最近的簇中；

更新中心：对每个簇，计算簇内所有样本的均值（如均值坐标），作为新的簇中心；

迭代收敛：重复步骤 2 和 3，直到簇中心不再明显变化（或达到最大迭代次数），此时的聚类结果即为最终结果。

四、如何评估聚类效果？CH 指标

由于聚类是无监督学习，没有标签来直接验证结果，我们需要通过 "内部指标" 评估。其中，CH 指标（Calinski-Harabasz 指数）是常用的一种：

类内紧密度：计算每个样本与所在簇中心的距离平方和，值越小说明簇内样本越集中；

类间分离度：计算各簇中心与整个数据集中心的距离平方和，值越大说明簇与簇之间越分散。

CH 指标的计算公式为 "类间分离度 / 类内紧密度" 的比值，CH 值越大，说明聚类结果越好（簇内越密，簇间越散）。

五、K 均值的优缺点

优点：

简单直观，容易理解和实现；

计算效率高，时间复杂度与样本数量呈线性关系，适合处理大规模常规数据集。

缺点：

k 值难确定：需要人工预设\(k\)，而实际数据中最优\(k\)往往未知；

对初始簇中心敏感：不同的初始中心可能导致不同的聚类结果；

难以处理复杂形状的簇：比如环形、非凸形数据，容易分错。

六、代码实践：用 Python 实现 K 均值聚类

我们可以用scikit-learn库快速实现 K 均值聚类，步骤如下：

1. 生成模拟数据

用make_blobs函数生成适合聚类的数据集，关键参数：

n_samples：样本数量（默认 100）；

n_features：样本维度（默认 2）；

centers：簇的数量（默认 3）；

random_state：随机种子（固定结果）。

from sklearn.datasets import make_blobs

生成3个簇，100个样本，2个特征

X, y_true = make_blobs(n_samples=100, n_features=2, centers=3, random_state=42)

2. 应用 K 均值算法

用KMeans类进行聚类，关键参数：

n_clusters：簇的数量（即\(k\)）；

max_iter：最大迭代次数；

random_state：随机种子。

from sklearn.cluster import KMeans

设定k=3，训练模型

kmeans = KMeans(n_clusters=3, random_state=42)
y_pred = kmeans.fit_predict(X)

3. 可视化结果（可选）

用matplotlib绘制聚类结果，不同簇用不同颜色标记：

复制代码

import matplotlib.pyplot as plt
plt.scatter(X[:, 0], X[:, 1], c=y_pred, cmap='viridis')
plt.scatter(kmeans.cluster_centers_[:, 0], kmeans.cluster_centers_[:, 1], s=300, c='red', label='中心')
plt.legend()
plt.show()

总结

K 均值聚类作为一种经典的无监督学习算法，凭借简单高效的特点，在客户分群、图像分割、异常检测等场景中被广泛应用。但它也有局限性，实际使用时需要结合数据特点选择合适的距离度量和k值