【资源软件】 动作暨昝绳鹤锁多好 /_494b36Tkwj😕
链接：https://pan.quark.cn/s/43159509c536
「微信被删好友检测工具」筷莱坌教狴犴狾夺郝 链接：https://pan.quark.cn/s/43159509c536
链接：https://pan.quark.cn/s/4598337f6b3e
「【美剧系列】」链接：https://pan.quark.cn/s/663e3ca79519

复制群口令 !0b7236TlXn!😕
将加入群聊免费医院分享

引言：当数据没有“标签”时，我们能做什么？

假设你是一家电商公司的数据分析师，面对海量用户行为数据却无明确分类标签：

• 任务：将用户划分为不同群体，实现精准营销
• 挑战：
  • 用户特征复杂（浏览时长、购买频率、品类偏好等）
  • 需自动发现隐藏模式，而非依赖人工定义规则
• 需求：算法需高效处理百万级数据，且结果可解释

这正是无监督学习的核心价值！ 本文将深入解析K均值聚类算法，教你从无标签数据中挖掘潜在规律。

---

一、无监督学习与聚类基础

1.1 无监督学习 vs 监督学习

维度	监督学习	无监督学习
数据要求	需要带标签数据	仅需特征数据
目标	预测已知标签	发现数据内在结构
典型任务	分类、回归	聚类、降维

1.2 聚类的核心目标

• 将数据划分为同质子集，满足：
  • 簇内相似性高（同一簇样本彼此接近）
  • 簇间差异性大（不同簇样本明显分离）

---

二、K均值算法原理与数学推导

2.1 算法步骤图解

1. 初始化质心：随机选择K个点作为初始簇中心
2. 分配样本：将每个点分配到最近的质心所属簇
3. 更新质心：重新计算每个簇的均值作为新质心
4. 迭代优化：重复2-3步直至质心稳定或达到最大迭代次数

可视化过程：

[初始随机质心] → [样本分配] → [质心更新] → [重新分配] → ... → [收敛]  

2.2 数学形式化

• 目标函数（畸变函数，SSE）：

  SSE = Σ_{i=1}^K Σ_{x∈C_i} ||x - μ_i||²  
  

  • μ_i：第i个簇的质心
  • C_i：第i个簇的样本集合
• 优化目标：最小化SSE

---

三、代码实战：从二维数据到图像压缩

3.1 基础聚类实现

import numpy as np  
import matplotlib.pyplot as plt  
from sklearn.cluster import KMeans  

# 生成合成数据  
X, y_true = make_blobs(n_samples=500, centers=3, random_state=42)  

# 训练K均值模型  
kmeans = KMeans(n_clusters=3, init='k-means++', n_init=10)  
kmeans.fit(X)  
labels = kmeans.labels_  
centers = kmeans.cluster_centers_  

# 可视化结果  
plt.scatter(X[:,0], X[:,1], c=labels, cmap='viridis', s=20)  
plt.scatter(centers[:,0], centers[:,1], c='red', s=200, alpha=0.8, marker='X')  
plt.title("K均值聚类结果")  
plt.show()  

---

3.2 图像颜色压缩应用

from sklearn.datasets import load_sample_image  
china = load_sample_image("china.jpg")  

# 预处理：将图像转换为二维数组  
X = china.reshape(-1, 3) / 255.0  

# 使用K均值压缩颜色  
kmeans = KMeans(n_clusters=16)  
kmeans.fit(X)  
X_compressed = kmeans.cluster_centers_[kmeans.labels_]  
X_compressed = X_compressed.reshape(china.shape)  

# 对比原图与压缩图  
plt.figure(figsize=(12,6))  
plt.subplot(121).imshow(china).set_title("原图（16万色）")  
plt.subplot(122).imshow(X_compressed).set_title("压缩图（16色）")  
plt.show()  

---

四、聚类质量评估：科学衡量“好坏”

4.1 肘部法则（Elbow Method）

• 原理：SSE随K增大而下降，选择拐点对应的K值
• 代码实现：

sse = []  
K_range = range(1, 10)  
for k in K_range:  
    kmeans = KMeans(n_clusters=k).fit(X)  
    sse.append(kmeans.inertia_)  

plt.plot(K_range, sse, 'bo-')  
plt.xlabel("K值")  
plt.ylabel("SSE")  
plt.title("肘部法则选择最佳K值")  
plt.show()  

---

4.2 轮廓系数（Silhouette Score）

• 定义：衡量样本与同簇/异簇的相似度，范围[-1,1]
• 公式：

  s(i) = (b(i) - a(i)) / max(a(i), b(i))  
  

  • a(i)：样本i到同簇其他点的平均距离
  • b(i)：样本i到最近异簇的平均距离

代码计算：

from sklearn.metrics import silhouette_score  

scores = []  
for k in range(2, 10):  
    labels = KMeans(n_clusters=k).fit_predict(X)  
    scores.append(silhouette_score(X, labels))  

plt.plot(range(2,10), scores, 'ro-')  
plt.xlabel("K值")  
plt.ylabel("轮廓系数")  
plt.title("轮廓系数评估聚类质量")  
plt.show()  

---

五、K均值的优化策略与局限

5.1 常见问题与解决方案

问题	解决方案
初始质心敏感	使用k-means++初始化
局部最优解	多次随机初始化取最优结果
高维数据效果差	先降维（如PCA）再聚类
非球形簇失效	改用DBSCAN或谱聚类

---

5.2 算法优缺点总结

优势	局限
简单高效，适合大规模数据	需预先指定K值
结果可解释性强	对异常值敏感
易于扩展到分布式计算	只能发现球形簇

---

六、实战案例：客户价值分群

6.1 数据预处理

import pandas as pd  
from sklearn.preprocessing import StandardScaler  

# 加载零售数据（用户ID、消费频率、客单价、最近购买间隔）  
data = pd.read_csv("customer_data.csv")  
X = data[['frequency', 'amount', 'recency']]  

# 标准化与异常值处理  
X = StandardScaler().fit_transform(X)  
X = X[(np.abs(X) < 3).all(axis=1)]  # 剔除3σ外的异常值  

6.2 聚类分析与业务解读

kmeans = KMeans(n_clusters=4)  
labels = kmeans.fit_predict(X)  

# 分析簇特征  
cluster_profile = pd.DataFrame(X, columns=['frequency', 'amount', 'recency'])  
cluster_profile['cluster'] = labels  
print(cluster_profile.groupby('cluster').mean())  

"""  
         frequency    amount   recency  
cluster                                
0        1.22      0.95     -1.32   → 高价值活跃用户  
1       -0.83     -0.72      0.21   → 低频低价值用户  
2        0.31     -0.11     -0.98   → 中频唤醒用户  
3       -1.02      1.85      1.09   → 高客单价沉睡用户  
"""  

---

七、总结与进阶方向

7.1 核心要点回顾

1. K均值通过迭代优化质心实现数据划分，适合处理球形簇
2. 肘部法则与轮廓系数是评估聚类效果的关键工具
3. 业务场景中需结合领域知识解读簇含义

7.2 延伸学习建议

1. 层次聚类：探索数据分层结构（AGNES算法）
2. 密度聚类：DBSCAN处理任意形状簇
3. 深度聚类：结合自编码器与K均值