第23篇：K-means 聚类------当数据没有标签时，模型还能学什么
在前面的文章里，我们一直在做一件事：
给模型数据 + 标签，然后让模型学习它们之间的关系。
比如：
预测房价（回归）
判断垃圾邮件（分类）
识别手写数字（分类）
这些任务都有一个共同特点：
数据有答案。
但现实世界里，还有很多情况是这样的：
我们只有数据，没有答案。
比如：
用户行为数据
客户消费数据
网页访问数据
商品浏览路径
评论文本集合
没有人告诉你：
谁属于哪一类
那模型还能学什么？🤔
答案是：
它可以自己发现结构。
这类学习方式叫：
无监督学习（Unsupervised Learning）
而 K-means，就是最经典的入门算法之一。
1. 什么是聚类？
先从最直觉的问题开始。
假设你有一批用户数据：
年龄
收入
消费频率
但你不知道他们属于什么群体。
你只是感觉：
可能有几类人
比如：
学生群体
年轻白领
高收入人群
这时候你希望模型帮你回答一个问题：
这些人自然可以分成几类？
这就是聚类在做的事情：
自动把相似的数据分到同一组里
没有标签
没有答案
只有结构
模型要自己找。
这就是 K-means 的任务。
2. K-means 在做什么？
一句话版本：
K-means 会把数据分成 K 组，让每组内部尽量相似。
关键词是：
组内相似度最大
或者换句话说：
组内距离最小
比如：
下面这些点：
● ● ● ●
▲ ▲ ▲ ▲
■ ■ ■ ■你一眼就能看出来：
它们明显分成三类
K-means 做的事情就是：
让机器也能做到这一点 👀
3. K-means 名字里的 K 是什么意思？
K 就是：
你希望分成多少类
比如：
K = 2 → 分两类
K = 3 → 分三类
K = 5 → 分五类
所以它叫：
K-means
意思是：
K 个中心点的聚类算法
4. K-means 的核心思路其实非常直觉
整个算法只有三步：
第一步：
随机选 K 个中心点
第二步：
让每个样本选择离自己最近的中心
第三步：
重新计算每个类别的中心点
然后重复：
第二步 + 第三步
直到中心不再变化
结束 ✅
听起来是不是非常简单？
但神奇的是：
它真的很好用。
5. 什么叫"中心点"？
中心点其实就是：
这一类数据的平均位置
比如：
三个点：
(2,3)
(3,4)
(4,5)它们的中心大概是：
(3,4)这就是：
mean（均值）
所以算法叫：
K-means
意思就是：
K 个均值中心
6. 为什么这个方法有效？
因为它在做一件非常合理的事情：
不断优化下面这个目标：
让每个点离自己的类别中心尽量近
换句话说：
让同类更像同类
异类更不像异类
这其实就是：
聚类的本质目标 🎯
7. 用一个真实一点的例子理解它
假设我们有这些用户：
| 用户 | 年龄 | 月消费 |
|---|---|---|
| A | 20 | 500 |
| B | 22 | 600 |
| C | 21 | 550 |
| D | 40 | 3000 |
| E | 42 | 2800 |
| F | 41 | 3200 |
你不用机器也能看出来：
它们明显分两类：
年轻低消费
中年高消费
K-means 会自动找到：
两个中心：
(21, 550)
(41, 3000)然后完成分类。
8. K-means 为什么要反复更新中心？
因为一开始：
中心是随机选的 🎲
可能选得不好。
比如：
第一次选的是：
(20,500)
(40,3000)还不错。
但也可能选成：
(22,600)
(21,550)这就很糟糕。
所以算法要反复更新中心：
不断修正
直到稳定下来。
9. K-means 的完整流程（算法版本）
正式一点描述：
步骤如下：
Step 1：
随机选择 K 个中心
Step 2：
计算每个点到中心的距离
Step 3：
分配最近中心
Step 4：
重新计算中心
Step 5：
重复直到收敛
结束。
核心思想只有一句话：
先分组，再修正中心，再重新分组
循环直到稳定。
10. K-means 在优化什么？
它其实在最小化：
所有样本到中心点的距离平方和
也就是：
组内误差平方和
你可以理解为：
让每个点尽量靠近自己的中心
数学上叫：
WCSS（within-cluster sum of squares）
直觉理解：
让每个类别尽量"紧凑"
11. 为什么用"平方距离"而不是普通距离？
原因很简单：
平方距离有两个好处：
第一：
计算方便
第二：
远离中心的点惩罚更大
比如：
距离：
1 → 1
2 → 4
5 → 25远离中心的点会被重点关注。
这让聚类更稳定。
12. K-means 最大的问题：K 怎么选？
这是最经典的问题之一。
K-means 里：
K 是你自己定的
不是模型算出来的。
那怎么办？
最常见方法叫：
肘部法则（Elbow Method）
思路是：
画一条曲线：
横轴：
K
纵轴：
误差平方和
像这样：
K=1 误差很大
K=2 明显下降
K=3 继续下降
K=4 稍微下降
K=5 几乎不变拐点位置：
就是最合适的 K
像手肘一样的位置 🦴
所以叫：
Elbow Method
13. 一个可以直接运行的例子
可以直接运行：
python
from sklearn.cluster import KMeans
import numpy as np
import matplotlib.pyplot as plt
# 构造数据
X = np.array([
[1,2],
[1,4],
[1,0],
[10,2],
[10,4],
[10,0]
])
# 建立模型
kmeans = KMeans(n_clusters=2, random_state=0)
# 训练模型
kmeans.fit(X)
# 查看类别
print("类别标签：")
print(kmeans.labels_)
# 查看中心点
print("中心点：")
print(kmeans.cluster_centers_)
# 可视化
plt.scatter(X[:,0], X[:,1], c=kmeans.labels_)
plt.scatter(
kmeans.cluster_centers_[:,0],
kmeans.cluster_centers_[:,1],
s=200,
marker='X'
)
plt.show()运行后你会看到：
数据自动分成两组
中心点也被计算出来。
非常直观 📊
14. K-means 最常见应用场景
现实世界里它非常常见：
用户分群
比如：
高价值用户
潜在用户
流失风险用户
客户画像
比如：
价格敏感型
品质优先型
品牌忠诚型
推荐系统预处理
比如：
把用户分群后再推荐
图像压缩
比如：
减少颜色数量 🎨
异常检测
比如：
离群点识别
15. K-means 的优点
总结一下：
优点非常明显：
简单 ✔️
快速 ✔️
容易实现 ✔️
可解释性强 ✔️
适合大规模数据 ✔️
所以它几乎是：
无监督学习第一站
16. 但它也有局限
它不是万能算法。
最大问题包括：
必须提前知道 K
对初始中心敏感
容易陷入局部最优
只能发现"球形结构"
比如：
它擅长发现：
● ● ●
● ● ●不擅长发现：
🌙 弯曲结构17. K-means 和分类有什么本质区别？
这是一个非常值得写进文章里的总结点。
分类：
有答案
监督学习
聚类：
没答案
无监督学习
换句话说：
分类是在学规则
聚类是在发现结构
这是机器学习里的一个重要分界线 ⚖️
18. 这一篇真正想让读者记住的一句话
如果要压缩成一句话：
K-means 的目标是把数据分成 K 组，让每一组内部尽量相似。
它通过：
不断更新中心点
来完成这件事情。
简单，但非常经典。