企业官网建设流程全解析

简介：一份面向MATLAB初学者与数据分析人员的K-means聚类算法实现详解文档，系统梳理无监督聚类的基本原理、迭代步骤与距离度量方式，并选用内置kmeans函数完成示例代码演示。文中以二维数据集为例，展示初始化聚类中心、分配数据点、更新质心直至收敛的完整流程，同时逐段解释idx索引与centroids质心矩阵的含义，方便读者直接套用到自己的数据任务中。包体仅含1个docx文件，大小约15KB，内容精简但覆盖算法核心、代码实现、结果可视化及参数调整思路，适合快速查阅与入门实践。文档还讨论了K-means对异常值敏感、依赖预设聚类数K等局限，并补充K-means++、Bisecting K-means、Kernel K-means等改进方向，有助于理解算法的适用边界与选型依据。目前已有442人学习下载，可作为课堂实验、课程设计或项目预研的参考笔记。

1. kmeans聚类算法matlab代码：这篇笔记能帮你把聚类从跑通到跑对

先把结论放在前面：kmeans 聚类算法是数据分析和信号处理里最常被点名的无监督算法，而 MATLAB 是实现它最省事的语言之一。搜索"kmeans聚类算法matlab代码.docx"这类文档的人，多半是想找一份能直接运行的完整实现，里面通常包含数据生成、聚类迭代、可视化画图和结果评估几块内容。问题在于网上流传的版本质量参差不齐，有的还在用多年前已经废弃的绘图语法，有的跑完根本没收敛就出了结果。这篇笔记把我在实际项目里反复验证过的 MATLAB 代码、参数设置和踩坑点整理出来，新手可以直接照着写，熟手可以拿它对照检查自己方案的边界，尤其适合课程设计、论文实验和入门数据分析这几类场景。

2. K-means 原理与 MATLAB 内建函数：先搞清楚它在算什么

2.1 分配与更新两步迭代：K-means 的数学逻辑

K-means 做的事情可以压缩成一句话：给定 k 个初始中心点，把每个样本划到离它最近的中心所代表的簇，然后重新计算每个簇的质心作为新中心，重复直到中心几乎不再移动。整个过程只有两个关键步骤——分配（Assignment）和更新（Update），两个步骤交替执行，直到中心变化量小于阈值或者迭代次数耗尽。

数学上，"最近"默认用欧氏距离的平方来衡量。对样本 x_i 和中心 c_j，距离写成 d_ij = ||x_i - c_j||²。分配阶段让每个样本挑选使这个距离最小的中心；更新阶段把落入第 j 个簇的所有样本取算术平均，得到新中心 c_j' = (1/|S_j|) Σ x_i，其中 S_j 是第 j 个簇的样本集合。这两步看起来简单，但背后有一个容易被忽略的结论：K-means 最小化的目标函数是簇内平方和 WCSS = Σ_j Σ ||x_i - c_j||²，这个目标对 c_j 求导令其为零，解恰好就是簇内样本均值。也就是说，"均值更新"不是拍脑袋选的操作，而是目标函数在欧氏距离平方约束下的自然结论。

这个推导决定了代码里的一个关键选择：如果你把距离换成曼哈顿距离，最优中心就变成中位数而不是均值，算法就从 K-means 变成了 K-medoids，更新那一步的逻辑要整体改写。很多人拿着 K-means 的代码去套曼哈顿距离，结果收敛慢且效果差，原因就在这里。另一个必须接受的事实是：K-means 的目标函数是非凸的，它只能保证收敛到局部最优，不能保证全局最优。这意味着初始化很重要，同一份数据、同一个 K，初始中心不同，最终结果就可能不同。这不是代码 bug，而是算法的结构属性，后面所有关于"Replicates"和"kmeans++"的讨论都源于这个特性。

2.2 MATLAB 内建 kmeans 函数：参数解读与第一个可运行例子

如果你只想要结果，不关心迭代细节，统计与机器学习工具箱里的内建 kmeans 函数是最快路径。最朴素的调用长这样：

% 生成两类二维数据，每类 100 个样本 rng(2024); X = [randn(100,2) + 2; randn(100,2) - 2]; % 一行调用完成聚类 [idx, centers] = kmeans(X, 2);

运行后 idx 是 n×1 的簇编号向量，centers 是 2×2 的中心坐标矩阵。这个最简单的调用背后潜伏着一整套默认参数：距离度量是 sqeuclidean、初始中心从样本里随机挑、最大迭代次数 100、空簇处理方式是直接报错。默认配置应付演示够用，放到真实数据上通常不够，所以我在工程代码里习惯把关键参数显式写出来：

rng(2024); % 固定随机种子，保证结果可复现 [idx, centers, sumd, d] = kmeans(X, 2, ... 'Distance', 'sqeuclidean', ... 'MaxIter', 200, ... 'Replicates', 5, ... 'Display', 'final');

这四个参数值得逐个说明。Distance 决定距离度量，除了 sqeuclidean，常用备选有 cityblock、cosine、correlation 和 hamming。cosine 在文本向量上效果不错，correlation 适合基因表达这类带批次效应的数据，hamming 只能用于二进制特征。MaxIter 是单次执行的迭代上限，默认 100 在样本量几万以上时经常不够，我一般设 200 起步。Replicates 是防局部最优的关键参数，它让 MATLAB 从不同初始中心出发重复跑多次，最后返回 WCSS 最小的一次；建议至少设 3，数据复杂时设 5 到 10。Display 设为 final 会在命令行打印迭代与收敛信息，排查问题时非常有用。

输出参数里，sumd 是每个簇的簇内距离总和，长度等于 k；d 是每个样本到所有中心的距离矩阵，维度是 n×k。用 sum(sumd) 就能得到 WCSS，后面选 K 值时全靠它。内建函数封装得很好，但副作用是把迭代过程完全藏起来了，很多人跑完就完，结果不对也说不清是哪一步出了问题。把原理过完之后，下一章我们从头写一个可见、可改、可记录过程的版本，把整个迭代彻底摊开。

3. 手写 kmeans 聚类算法 MATLAB 代码：从零实现一个可复现版本

3.1 数据准备与 Z-score 归一化

手写之前先处理数据。K-means 对特征尺度极其敏感，因为距离计算把每个维度等权相加。假如第一维是年龄（20 到 60 的数值），第二维是收入（5000 到 50000 的数值），距离里收入维度的差值会完全吞掉年龄维度，聚类边界几乎只看收入。这种情况在用户分群、客户画像项目里经常出现，解决手段就是归一化。我一般在聚类前做 Z-score 归一化，让每个特征变成均值为 0、标准差为 1 的分布：

% 原始数据 X0，n 行 d 列 mu = mean(X0, 1); % 每个特征的均值 sigma = std(X0, 0, 1); % 每个特征的标准差，第二个参数 0 表示除以 n-1 X = (X0 - mu) ./ sigma; % 归一化后的聚类输入

std 的第二个参数 0 和 1 的区别是分母用 n-1 还是 n，对归一化结果影响很小，但如果要把代码嵌进正式实验流程，统一写法能避免不同脚本之间对不齐。MATLAB R2018a 之后有 normalize 函数，默认就做 Z-score，直接写成 X = normalize(X0) 更简洁。

这里有一个隐藏的坑必须强调：归一化用的 mu 和 sigma 要在聚类前算好并保存。后面来了新样本想预测它属于哪个簇，必须用原来这一组 mu 和 sigma 变换，而不是拿新数据重新计算。很多人在这一步翻车，导致训练和预测的输入分布不一致，聚类结果完全对不上。我习惯把 mu 和 sigma 连同聚类中心一起存进 .mat 文件，避免事后找不到。

注意：归一化参数必须从训练数据计算并保存，新样本预测时复用同一组 mu 和 sigma，绝不能重新计算。

3.2 矩阵化距离计算：核心迭代步骤

手写 K-means 最容易掉进双重 for 循环的坑，数据量上万之后速度慢到让人怀疑人生。MATLAB 的强项是矩阵运算，所以要用矩阵化写法算距离，核心是一个代数恒等式：

% 距离矩阵 D(i,j) = ||X(i,:) - centers(j,:)||^2 % = sum(X(i,:).^2) + sum(centers(j,:).^2) - 2 * X(i,:) * centers(j,:)' X2 = sum(X.^2, 2); % n×1，每个样本的平方和 C2 = sum(centers.^2, 2); % k×1，每个中心的平方和 D = X2 + C2' - 2 * (X * centers'); % n×k，隐式展开相加 [~, idx] = min(D, [], 2); % 每个样本取最近中心的下标

这段代码里 X2 是 n×1 列向量，C2' 是 1×k 行向量，MATLAB 从 R2016b 开始支持隐式展开，两者相加会自动扩展成 n×k 矩阵。D 的第 i 行第 j 列就是样本 i 到中心 j 的欧氏距离平方。注意这里没有开根号，因为开根号是单调递增函数，不影响 min 比较的结果，却省掉了一整层逐元素计算的耗时。这个展开式比 pdist2 更快，是手写版本性能优化的核心。

分配完成之后是更新中心。更新这步的向量化程度取决于写法，常见做法是循环遍历 k 个簇，对每个簇取均值：

% 更新中心：每个簇内样本的均值 centers_new = zeros(k, d); for j = 1:k members = X(idx == j, :); if isempty(members) centers_new(j, :) = centers(j, :); % 空簇保留旧中心，避免崩溃 else centers_new(j, :) = mean(members, 1); end end

这个循环次数是 k，通常不超过几十，开销可以忽略。真正耗时的是前面的距离矩阵，所以性能优化重点始终在 D 的计算上。空簇处理是手写版本必须补的防御逻辑，真实数据里某个簇一个样本都没有的情况并不罕见，内建函数默认会直接报错，手写版本要自己兜住。这里选择保留旧中心，也可以像内建函数的 singleton 选项那样用离它最近的样本重置中心，两种策略在第 5 章会继续讨论。

3.3 完整可运行的 my_kmeans 函数封装

把初始化、迭代、收敛判断组合起来，就能得到一个完整、可复现、带过程记录的版本。我额外输出一个 history 向量，记录每一轮迭代的 WCSS，用来确认算法是否真的单调收敛：

function [idx, centers, history] = my_kmeans(X, k, max_iter, tol) % 手写 kmeans 聚类算法（含 kmeans++ 初始化） % 输入: % X - n×d 数据矩阵，建议预先做 Z-score 归一化 % k - 簇数量 % max_iter - 最大迭代次数，默认 200 % tol - 中心变化的容忍度，默认 1e-6 % 输出: % idx - n×1 簇标签 % centers - k×d 最终中心 % history - 每轮 WCSS，用于观察收敛过程 if nargin < 3, max_iter = 200; end if nargin < 4, tol = 1e-6; end [n, d] = size(X); % ---- kmeans++ 初始化：让初始中心尽量分散 ---- centers = zeros(k, d); centers(1, :) = X(randi(n), :); for j = 2:k D2 = pdist2(X, centers(1:j-1, :)).^2; minD2 = min(D2, [], 2); if sum(minD2) < eps centers(j, :) = X(randi(n), :); % 所有点重合时的兜底 else prob = minD2 / sum(minD2); r = rand(); next_idx = find(cumsum(prob) >= r, 1); centers(j, :) = X(next_idx, :); end end history = nan(max_iter, 1); for iter = 1:max_iter % ---- 分配阶段：矩阵化距离 ---- X2 = sum(X.^2, 2); C2 = sum(centers.^2, 2); D = X2 + C2' - 2 * (X * centers'); D = max(D, 0); % 清掉浮点误差产生的极小负值 [~, idx] = min(D, [], 2); % ---- 记录当前 WCSS ---- history(iter) = sum(min(D, [], 2)); % ---- 更新阶段 ---- centers_new = zeros(k, d); for j = 1:k members = X(idx == j, :); if isempty(members) centers_new(j, :) = centers(j, :); else centers_new(j, :) = mean(members, 1); end end % ---- 收敛判断：中心矩阵的 Frobenius 范数变化 ---- if norm(centers_new - centers, 'fro') < tol centers = centers_new; history = history(1:iter); return; end centers = centers_new; end history = history(~isnan(history)); end

这段代码有四个细节需要展开解释。

第一，初始化用的是 kmeans++ 而不是纯随机。纯随机初始化容易让多个初始中心挤在同一片密集区域，导致收敛慢且容易陷进差的局部最优。kmeans++ 的思路是第一个中心随机选，之后每个新中心按"到已有中心最近距离的平方"加权采样，距离越远的点被选中的概率越大，这样初始中心天然分散。这也是 MATLAB 内建函数和常见机器学习库的默认策略。

第二，pdist2 只用在初始化阶段，因为它需要显式计算样本到已有中心的距离，在大数据上开销高，但初始化只执行 k-1 次，可以接受。主迭代里必须用手写的距离展开式，那个 n×k 的矩阵乘法是高度优化的，明显快于逐元素展开。

第三，D = max(D, 0) 是数值稳定性处理。浮点运算里展开式可能产生 -1e-14 这样的微小负值，虽然不影响 min 找索引，但不归零会让 history 里的 WCSS 出现微小抖动，画收敛曲线时看起来不干净。

第四，收敛判断用 Frobenius 范数，norm(centers_new - centers, 'fro') 等价于把中心矩阵展平后求二范数，综合反映所有中心的总体位移量。阈值 1e-6 在归一化数据上够用，如果数据没有归一化，这个阈值可能要放宽到 1e-4，否则会出现反复迭代到 max_iter 才退出的情况。

用这个函数跑一遍第 2 章的数据，对比内建 kmeans 的结果，你会发现两者最终中心非常接近，差异主要来自初始化和局部最优。手写版本最大的价值不是替代内建函数，而是让你在结果异常时能把迭代过程调出来看——到底是没收敛、初始化差，还是 K 值不对，一眼就能分辨。

4. K 值与参数调优：从肘部法则到 Silhouette 验证

4.1 肘部法则：读 WCSS 折线图的正确姿势

K-means 最大的玄学问题就是"K 到底取几"。肘部法则是最朴素也最常用的办法：把 K 从 1 试到某个上限，记录每个 K 对应的 WCSS，画折线图找"肘部"——也就是 WCSS 下降速度突然变缓的位置。这个位置对应的 K 被视作数据自然簇数的估计：

K_list = 1:10; wcss = zeros(length(K_list), 1); for t = 1:length(K_list) k_tmp = K_list(t); [~, ~, sumd] = kmeans(X, k_tmp, 'Replicates', 5, 'MaxIter', 200); wcss(t) = sum(sumd); end figure; plot(K_list, wcss, 'bo-', 'LineWidth', 1.5); xlabel('K'); ylabel('WCSS'); title('Elbow Method for Optimal K'); grid on;

读图的时候不要指望曲线给一个完美的直角拐点。真实数据的 WCSS 曲线几乎总是平滑递减的，所谓肘部其实是一个"从陡变缓"的过渡区间。比如 K=2 到 K=3 时 WCSS 掉了 40%，K=3 到 K=4 只掉了 8%，之后每增加一个 K 变化都小于 5%，那 K=3 就是合理的肘部。如果曲线从头到尾都接近直线，说明数据本身没有明显的簇结构，这时候继续纠结 K 意义不大，应该回到特征工程或者换密度聚类。

提示：每个 K 值的 WCSS 都应该从多次重复里取最小，否则初始化差的那一次运行会在折线图上制造假肘部。

这里有一个必须强调的操作细节：每个 K 值都要设 Replicates，或者多跑几次取最小 WCSS。原因很直接，K-means 的结果依赖初始化，某一次初始化很差时 WCSS 会异常偏高，折线图上就会出现一个根本不存在的拐点。Replicates=3 到 5 是性价比比较高的区间，数据量大时可以适当减少重复次数，但不要完全不设。

4.2 Silhouette 系数：给聚类结果打一个可分性分数

肘部法则只看类内紧凑度，会漏掉一种典型情况：两个簇中心离得很近，重叠区域大，WCSS 虽然小，簇之间却几乎没有可分性。Silhouette 系数（轮廓系数）同时考虑类内距离和最近邻簇的距离，对"这个 K 到底行不行"更有发言权：

% 对单个 K 值计算轮廓系数 [idx, ~] = kmeans(X, 4, 'Replicates', 10); [s, h] = silhouette(X, idx); fprintf('K=4 平均轮廓系数: %.4f\n', mean(s)); % 批量比较 K=2 到 K=8 K_list = 2:8; sil_scores = zeros(length(K_list), 1); for t = 1:length(K_list) idx_tmp = kmeans(X, K_list(t), 'Replicates', 5); sil_tmp = silhouette(X, idx_tmp); sil_scores(t) = mean(sil_tmp); end

轮廓系数的取值范围是 -1 到 1。一般认为 0.7 以上是强聚类结构，0.5 到 0.7 是合理范围，0.25 到 0.5 说明簇结构偏弱，低于 0.25 说明数据基本没有可分的簇状结构，这时候硬调 K 值不如考虑换 DBSCAN 或高斯混合模型。

注意我上面只打印了 mean(s)，但实际分析时一定要看图。silhouette 函数返回的 h 是图形句柄，画出来是每个样本一条横杠的轮廓图。如果图里出现大量负值横杠，说明这些样本很可能被分到了错误的簇；负值样本集中出现在某两个簇之间，还说明这两个簇边界重叠严重，与其纠结 K，不如回头检查特征选择。

肘部法则和轮廓系数选出的 K 不一致时，我一般以轮廓系数为主。原因很简单：肘部法则只回答"WCSS 下降变慢了"，轮廓系数回答"簇是否真的分得开"，后者和业务上"分群是否有意义"更相关。某个真实项目里，数据用肘部法则看像是 K=4，轮廓系数却显示 K=4 只有 0.52，而 K=2 有 0.71，最后业务方认定 K=2 的两个群体更容易给出差异化运营策略。这个例子说明，算法给出的候选 K 必须和业务判断交叉验证，而不是无脑选肘部。

4.3 正式实验里值得固定的几个参数

除了 K 值，下面这些参数我会在项目开始阶段按统一默认值跑一遍，再根据数据规模调整：

其中 Options 并行这个设置很容易被忽略，实际收益却很大。Replicates 要跑多次相互独立的 kmeans，天然适合并行。用 statset 打开 UseParallel 后，MATLAB 会把不同初始中心的实验分派到不同 worker 上，16 次 Replicates 的耗时经常能降到原来的三分之一以下。要注意并行池里的随机数行为和主线程不完全一致，如果你的实验对可复现性要求极高，建议并行跑完后再用固定种子串行验证一遍关键结果。

5. kmeans 聚类避坑指南：5 个高频问题与排查记录

5.1 结果每次运行都不一样，是不是代码写错了

现象：同一份代码、同一个数据集，连续跑两次，聚类标签和中心点都不一样。

原因：初始化是随机的，不同初始中心会收敛到不同的局部最优解。K-means 的目标函数非凸，局部最优不是代码错误，而是算法的结构特性。如果数据本身的簇结构很清晰，多次运行结果差异会很小；差异大恰恰说明簇结构弱或者 K 值不合适。

解决分三步。第一步，代码开头写 rng(2024) 固定随机种子，保证同一份数据每次跑的结果可复现，这是实验的基本底线。第二步，用 Replicates 从多个初始中心里挑 WCSS 最小的一次，减少坏初始化的干扰。第三步，如果固定种子加 Replicates 之后结果仍然飘，回到轮廓系数重新验证 K——很可能你给的 K 大于数据实际簇数，多余的簇在随机初始化下竞争同一批样本，结果自然不稳定。

5.2 运行报错提示 empty cluster created

现象：kmeans 执行到一半报错，提示某个簇在迭代过程中变成了空簇。样本量小、K 偏大、数据里有明显离群点时特别容易触发。

原因有两类：一是 K 值确实大于数据本身的自然簇数，某个簇在竞争中被"饿死"；二是初始化太差，多个初始中心落在同一片密集区域，导致某个簇从头到尾没有抢到样本。

解决：内建函数把空簇处理选项 EmptyAction 设为 singleton，让空簇自动用离它最近的样本重置中心，程序就不会中断。如果用手写版本，就在更新中心那一步对空簇保留旧中心或重置为随机样本。但要注意，EmptyAction 只是让程序能跑完，不代表结果合理。跑完后看 sumd，如果某个簇的 sumd 异常大或者样本数极少，说明 K 值偏大，需要回退到第 4 章的验证流程。

5.3 聚类结果几乎被单一特征主导

现象：聚类之后画散点图，发现分类边界和某个特征完全线性对齐，其他特征对结果几乎没有贡献。检查各特征的方差，会发现那个主导特征的量纲比其他特征大几十上百倍。

原因：K-means 的距离计算把所有维度等权相加，量纲大的维度在距离里的占比天然更大。这在用户数据里尤其常见，比如年龄和收入同时进模型，收入范围是几千到几万，年龄只有十几到几十，收入维度会碾压年龄。

解决：聚类前做 Z-score 归一化，这基本是 K-means 的必选项而不是可选项。具体写法见 3.1 节。还需要注意归一化参数只从训练数据计算，新样本预测时复用同一组 mu 和 sigma。进阶情况是，当归一化之后仍然被某个特征主导，可以检查该特征是否本身就是强区分特征，如果是，考虑降维后再聚类，或者改用特征加权距离。

5.4 高维数据聚类效果差，轮廓系数接近零甚至为负

现象：特征维度到几十上百之后，聚类结果的轮廓系数掉到 0.2 以下，不同 K 值之间的差别也很小，看起来怎么调都没用。

原因：高维空间存在距离集中效应，所有样本点到中心点的距离会趋向于接近，欧氏距离的区分度急剧下降。维度越高，sqeuclidean 距离的分辨率越低，聚类自然失效。

解决方向有两个。第一，换距离度量，文本或稀疏数据可以试 cosine，它对向量长度不敏感，只关心方向；处理基因表达这类数据可以试 correlation。第二，先降维再聚类，常见做法是先用 PCA 取累计方差解释率 70% 以上的前若干个主成分作为聚类输入。但降维不是免费的，PCA 丢失的信息可能正是簇之间关键的区分信息，降维后如果轮廓系数还是上不去，建议换聚类算法而不是继续硬调。

5.5 手写代码迭代不收敛，WCSS 曲线反复震荡

现象：自己实现的版本里，history 曲线在相邻两轮之间来回跳，比如 100.2、99.8、100.1、99.9，就是不进入单调下降直到平稳。

原因：有样本点正好落在两个簇的边界附近，到两个中心的距离几乎相等，分配结果在相邻轮次之间来回变动，中心点也随之小幅移动。这种情况在高斯混合重叠区域或对称分布的合成数据里很常见。

解决：收敛判断除了比较中心变化量，还要看样本分配是否稳定。我一般记录上一轮的 idx，如果本轮 idx 与上轮完全相同，直接判定收敛。这个方法在真实数据里比纯看范数变化更稳。另一个可选方案是给距离加入极小随机扰动打破对称性，但这是治标不治本，样本分配不稳定的根源还是簇边界重叠，最终要靠调整 K 值或前处理来解决。

6. 让 kmeans 结果真正落地的三个进阶技巧

6.1 二维可视化：样本散点与中心点叠加

聚类跑完别只盯着标签向量，先把图画出来。二维数据直接画，高于二维就先 PCA 或 t-SNE 压到二维做个粗查：

figure; gscatter(X(:,1), X(:,2), idx, 'rgbcmy', '.', 12); hold on; plot(centers(:,1), centers(:,2), 'kx', 'MarkerSize', 18, 'LineWidth', 3); hold off; legend('Location', 'best');

gscatter 按簇标签给样本点自动配色，黑叉标记中心。这一步能最快暴露问题：簇之间是否有明显重叠、是否存在被孤立的离群点、中心是否落在合理位置。如果图上簇边界模糊成一团，后面所有定量指标都不用看了。

6.2 簇特征画像：用热图定位每个簇的业务含义

聚类本身不产生业务解释，解释要靠特征画像。对每个簇计算所有特征的均值，然后画热图：

profile = zeros(k, d); for j = 1:k profile(j, :) = mean(X(idx == j, :), 1); end figure; imagesc(profile); colorbar; set(gca, 'YTick', 1:k, 'YTickLabel', arrayfun(@(x) sprintf('Cluster %d', x), 1:k, 'UniformOutput', false)); xlabel('特征序号'); ylabel('簇编号'); title('各簇特征均值画像');

每一行代表一个簇，每一列代表一个特征。颜色深的格子告诉你这个簇在哪些特征上显著偏高或偏低。这个图在给业务方汇报的时候比任何统计量都直观，也是我判断"这个簇到底是不是一类人"的第一依据。

6.3 稳定性验证：两次运行的一致性检查

聚类结果能不能用于后续决策，先看它稳不稳。同一份数据跑两遍，检查两次标签的一致率：

[idx1, ~] = kmeans(X, k, 'Replicates', 1); [idx2, ~] = kmeans(X, k, 'Replicates', 1); conf = confusionmat(idx1, idx2); [~, assign] = max(conf, [], 2); % 贪心对齐两轮标签 aligned = zeros(size(idx2)); for j = 1:k aligned(idx2 == j) = assign(j); end agreement = mean(idx1 == aligned); fprintf('两次运行的一致率: %.2f\n', agreement);

由于随机初始化，两次运行标签编号可能不同，先用混淆矩阵做贪心对齐再算一致率。一致率高于 0.95 说明簇结构稳定，结果可以放心往下游送；如果只有 0.8 甚至更低，说明聚类划分本身不可靠，这时候强行接业务分析等于在流沙上盖楼。

我现在的习惯是任何一次聚类实验都至少跑两遍，第一遍看结果合不合理，第二遍验证结果稳不稳定，两边都过了才敢把聚类标签写进报告。这个习惯救过我不少次，也希望能帮到你。

本文还有配套的精品资源，点击获取