企业官网建设流程全解析

一、k-means 是什么

一句话：把数据分成 k 组，让每组内的点尽量靠近自己的中心。

直觉理解

想象你桌上有 100 颗糖豆散落一地，你想把它们分成 3 堆。你的做法大概是：

1. 随便放 3 个碗在桌上当"堆心"
2. 每颗糖豆归到离它最近的那个碗
3. 根据分好的糖豆，把每个碗移到这一堆的中心位置
4. 糖豆重新按最近距离归碗
5. 反复 3、4 步，直到碗不再移动

这就是 k-means。

算法步骤

输入：数据集 D，分组数 k 输出：k 个簇及其中心点 1. 从 D 中随机选 k 个点作为初始中心 2. 重复： a) 分配：把每个数据点归到距离最近的中心所在的簇 b) 更新：重新计算每个簇的中心（所有点的均值） 3. 直到中心不再变化（或变化小于阈值）

用一个简单例子走一遍：

数据点： A(1,1) B(2,1) C(4,3) D(5,3) k=2 第1轮：随机选中心 C1=A(1,1), C2=D(5,3) 分配：A→簇1, B→簇1(离C1近), C→簇2(离C2近), D→簇2 更新：C1=(1.5,1), C2=(4.5,3) 第2轮： 分配：A→簇1, B→簇1, C→簇2, D→簇2 （没变） 更新：C1=(1.5,1), C2=(4.5,3) （没变） 结束，分两组：{A,B} 和 {C,D}

数学形式

目标函数（惯性 / Inertia）：

J=∑i=1k∑x∈Ci∥x−μi∥2J = \sum_{i=1}^{k} \sum_{x \in C_i} \|x - \mu_i\|^2J=i=1∑k​x∈Ci​∑​∥x−μi​∥2

其中μi\mu_iμi​是第iii个簇的中心，CiC_iCi​是第iii个簇的所有点。

k-means 本质上就是在最小化这个值——让每个点到自己簇中心的距离平方和尽量小。

时间复杂度：O(n · k · d · t)，n=样本数，k=簇数，d=维度，t=迭代轮数。通常很快。

三个老问题

k-means++ 初始化：不随机选，而是让第一个中心随机选，之后每个新中心尽量离已有中心远一些。这样起步就更稳，收敛更快。

代码示例

fromsklearn.clusterimportKMeansfromsklearn.datasetsimportmake_blobsimportmatplotlib.pyplotasplt# 生成模拟数据X,_=make_blobs(n_samples=300,centers=4,random_state=42)# 聚类km=KMeans(n_clusters=4,init='k-means++',n_init=10,random_state=42)labels=km.fit_predict(X)# 可视化plt.scatter(X[:,0],X[:,1],c=labels,cmap='viridis',s=30)plt.scatter(km.cluster_centers_[:,0],km.cluster_centers_[:,1],c='red',marker='X',s=200,label='中心点')plt.legend()plt.show()

二、如何评估聚类效果

聚类没有标准答案（无监督学习），所以评估比分类/回归要棘手。分两大类：

内部指标（不需要真实标签）

1. 惯性 / SSE（越小越好）

就是上面那个目标函数 J 本身——每个点到自己簇中心的距离平方和。

• 越小说明簇内越紧凑
• 但 k 越大必然越小，k=n 时为 0，所以不能直接比

2. 肘部法则（选 k 用）

k=1 SSE=1000 k=2 SSE=400 k=3 SSE=200 k=4 SSE=180 ← 下降变缓的拐点 k=5 SSE=170 k=6 SSE=165

画一条 k-SSE 曲线，找"拐弯"的地方——拐点之前加 k 收益大，拐点之后加了也差不多。

SSE |\ | \ | \___ | \_______ ← 拐点（肘部）就是合适的 k +----------→ k

局限：拐点有时候不明显，人为判断有主观性。

3. 轮廓系数（Silhouette Score）

取值[-1, 1]，越大越好。

每个点算一个轮廓值：

s(i)=b(i)−a(i)max⁡(a(i),b(i))s(i) = \frac{b(i) - a(i)}{\max(a(i), b(i))}s(i)=max(a(i),b(i))b(i)−a(i)​

• a(i)：点 i 到同簇其他点的平均距离（越小越好，说明自己簇很紧）
• b(i)：点 i 到最近其他簇的平均距离（越大越好，说明跟别的簇远）

直观理解：

fromsklearn.metricsimportsilhouette_scoreforkinrange(2,10):km=KMeans(n_clusters=k,n_init=10,random_state=42)labels=km.fit_predict(X)score=silhouette_score(X,labels)print(f"k={k}, 轮廓系数={score:.3f}")

选轮廓系数最大的 k。

4. CH 指数（Calinski-Harabasz Index）

簇间分散度 / 簇内紧凑度，越大越好。计算比轮廓系数快。

5. Davies-Bouldin 指数

每个簇跟"最相似"的簇之间的相似度取平均，越小越好。

外部指标（有真实标签时用）

如果碰巧知道真实分类（比如用标注数据做实验），可以对比：

fromsklearn.metricsimportadjusted_rand_score,normalized_mutual_info_score ari=adjusted_rand_score(y_true,labels)# y_true 是真实标签nmi=normalized_mutual_info_score(y_true,labels)

指标对比速查

实际建议

1. 先用肘部法则粗选 k，再用轮廓系数精细确认
2. 如果数据量大，轮廓系数计算慢，用 CH 指数替代
3. 有真实标签时一定看 ARI/NMI，比内部指标可靠
4. 指标只是参考——最终还是要看业务上分出来的簇是否有意义