一、无监督学习中的经典聚类算法------K-Means
- 目的：在没有标签的情况下，把"相似样本"自动分到同一组，用于数据探索、分群、压缩、异常检测等场景
二、核心概念
-
聚类（Clustering）
-- 无监督：没有 y 标签
-- 目标：高内聚、低耦合
-
难点
-- 如何评估好坏？
-- 如何选取参数（主要是 K）？
三、距离度量（先选"像不像"的尺子）
-
欧式距离（L2）：多维直线距离，最常用
-
曼哈顿距离（L1）：坐标轴绝对轴距之和，适合高维稀疏
四、K-Means 算法流程（"三步走"）
-
随机选 K 个初始中心
-
分配：每个样本→距其最近的中心所属簇
-
更新：重新计算各簇中心（均值）
循环 2-3 步直到中心不再移动或达到 max_iter
五、评估指标
-
SSE（类内平方和）：越小越紧凑
-
CH 指数：同时衡量类内紧密度与类间分离度，越大越好
-
轮廓系数（Silhouette）：-1,1，>0.5 通常可接受
六、优缺点速记
优点：
✓ 原理简单、实现容易、速度快、可并行
缺点：
✗ K 值需事先给定
✗ 对初值敏感（随机初始中心）
✗ 只能发现"球形"簇，对任意形状、密度差异大数据表现差
✗ 对异常值/噪声敏感
七、关键超参数
-
n_clusters（K）：簇的数量
-
max_iter：最大迭代次数
-
n_init：随机运行次数，取最好结果
-
random_state：随机种子，复现实验