聚类分析

在没有类别标签时，按相似性把样本分成若干组：组内尽量像，组间尽量不像。聚类是无监督学习，结果是一种关于数据几何结构的假设，必须用业务含义、稳定性和内/外部指标共同检验，而不能把算法输出的簇编号直接当成“发现的真理”。

可以把它想成“先画群像，再起名字”。例如：

没有既定等级时，把客户按消费与活跃模式分成若干群体；
把地区按产业结构与发展水平划分类型，便于分类施策；
在传感器或行为序列中发现几种典型工况/模式，并标出噪声点。

建模竞赛里，聚类题的核心不是把某个内部指标调到极值，而是：距离定义是否合理、簇是否稳定可复现、每一类能否用少量特征讲清剖面。没有放之四海都最优的聚类法。

一、这一门类解决什么问题

当题目要求“客户分群”“地区类型划分”“行为模式发现”，却没有金标准标签（或标签仅用于事后对照）时，就用聚类。典型信号：

输出是簇标签或隶属度，而不是预定义类别的预测准确率；
需要剖面图、雷达图、箱线图解释每类在原始指标上的高低模式；
可能存在噪声点、不规则形状簇、层次结构或软边界；
题目强调“发现结构/分型”，而不是“学习已有标注”。

先定义相似性（欧氏距离、曼哈顿、余弦、马氏距离、核/密度可达等），再选算法。量纲不统一时先标准化或稳健缩放；高维稀疏时要重新考虑距离是否还有意义。

本门类方法大致沿四条主线展开：

原型划分：K-means / K-means++ / K-medoids；
层次结构：系统（层次）聚类与树状图；
软分配与概率模型：模糊 C-均值、高斯混合 + EM；
图与密度：谱聚类、DBSCAN、OPTICS。

二、如何选择方法

问题信号	优先考虑	所在位置
球状簇、需指定 $K$ 、样本量中等偏大、要快	K-means / K-means++	K-means、K-means++
中心必须是真实样本、对离群点更稳健	K-medoids	K-medoids
要层次与树状图、样本量不太大、需多粒度	系统（层次）聚类	系统聚类（层次聚类）
边界模糊、样本可属于多类、需隶属度	模糊 C-均值	模糊C-均值聚类
软分配、椭圆簇、要概率模型与协方差结构	高斯混合 + EM	高斯混合模型与EM算法
非凸形状、适合相似度图/流形结构	谱聚类	谱聚类
任意形状、要自动识别噪声/离群	DBSCAN	密度聚类/DBSCAN
密度不均、要考察可达距离与簇层级	OPTICS	密度聚类/OPTICS

这张表用于快速定位。最终选择还要看：簇形状是否近似球状、是否必须指定 $K$ 、有无噪声、样本量和可解释性要求。能用 K-means 讲清结构时，不必先上谱聚类或复杂密度方法。

三、方法选择的决策逻辑

是否必须输出硬标签 + 指定 K 的球状分群？
 ├─ 是，速度优先 → K-means++（多初值）
 ├─ 是，中心须为真实点/有离群 → K-medoids
 ├─ 要隶属度/软边界 → FCM 或 GMM
 ├─ 要树状合并过程 → 层次聚类
 ├─ 簇非凸、有相似图 → 谱聚类
 └─ 任意形状 + 噪声点 → DBSCAN；密度不均再看 OPTICS

$K$ 的选择不要只看肘部法拐点：联合轮廓系数、CH、DB 指数、间隙统计，并强制用“每类能否用 3–5 个特征讲清”做业务裁决。多个 $K$ 下排序都稳定的结构，比单一最优 $K$ 更可信。

四、统一的建模工作流

认数：变量类型、量纲、异常值、是否混入类别变量（需编码或 Gower 等距离）；
预处理：缺失处理、标准化/稳健缩放；参数与规则写清，保证可复现；
降维探路（可选）：PCA/可视化只用于理解，不自动等于“先降维再聚类一定更好”；
定距与算法：明确距离/核/密度参数，选定算法族；
定 $K$ 或密度参数：多指标 + 稳定性（bootstrap 或多随机种子）；
拟合与诊断：簇大小是否极端、轮廓是否整体偏低、是否对初值过敏；
剖面解释：各类中心/中位数、雷达图、相对全局的高低模式，给出克制的命名；
对照：若事后有弱标签或业务分群，做外部一致性（ARI/NMI 等）但勿循环论证；
灵敏度：去掉可疑变量、改距离、改 $K$ ，看主结构是否还在。

五、评价指标：内部指标不是终点

常用内部指标（无标签时）：

轮廓系数：靠近 1 表示匹配本簇且远离他簇；整体偏低要怀疑 $K$ 或距离；
肘部法（SSE/ $WCSS$ ）：找降速拐点，但拐点常不唯一；
Davies–Bouldin / Calinski–Harabasz：辅助比较不同 $K$ ；
稳定性：对重采样或扰动后的标签一致性。

有外部参照标签时可用 ARI、NMI 等，但建模题里“参照”若来自同一批主观划分，解释要谨慎。

补充原则：

内部指标最优 ≠ 业务上最好用；
簇数过多会导致“过解释”，过少会抹平差异；
密度聚类的噪声点比例本身就是结果的一部分，应报告而非强行全部分完。

六、与各子目录/方法的对应关系

子目录或篇章	核心任务	典型出口
K-means / K-means++	球状簇的快速划分	簇标签与中心
K-medoids	以真实样本为中心的稳健划分	中心样本与簇
系统聚类（层次聚类）	多层次合并/分裂结构	树状图与切割方案
模糊C-均值聚类	软隶属度分群	隶属度矩阵
高斯混合模型与EM算法	概率混合与椭圆簇	成分参数与职责
谱聚类	相似度图上的划分	非凸簇标签
密度聚类	密度可达与噪声识别	任意形状簇 + 噪声点

聚类与 05 分类与判别的分界：训练阶段有没有标签。与 01 数据预处理中降维的关系：PCA 可用于可视化或去共线，但“方差最大方向”不一定是“分簇方向”。与 07 综合评价的衔接：有时可先聚类分型，再在类型内做排序评价，避免把异质样本硬塞进同一套权重。

七、使用提醒与常见陷阱

不标准化就欧氏聚类：量纲大的变量会劫持距离；
把 $K$ 当调参游戏：只报轮廓最高的 $K$ ，不给剖面与稳定性；
单次随机初值：K-means 对初始化敏感，应多初值或 K-means++ 并报告波动；
高维距离失效：维度很高时欧氏邻域变得均匀，需降维、换度量或特征筛选；
强制解释因果：簇标签命名要克制，聚类不证明“因为属于某群所以导致某结果”；
类别变量当连续：乱编码后直接 K-means，结构可能是假的；
DBSCAN 参数拍脑袋：eps 与 minPts 不结合 k-距离图或领域尺度时，要么全是噪声要么并成一块。

八、推荐学习顺序

先读本导读，建立“距离 → 算法 → 验证 → 剖面命名”的闭环；
基础：标准化、距离、轮廓系数与 $K$ 的多指标选择；
原型法：K-means / K-means++ / K-medoids；
层次聚类：树状图与连接准则（单连接/全连接/平均/Ward）；
软聚类：模糊 C-均值、GMM+EM；
进阶结构：谱聚类、DBSCAN、OPTICS。

进入具体方法页后，按「直观理解 → 适用场景 → 原理 → 关键决策 → MATLAB → 解释 → 误区 → 小结」阅读并复现。最终写进论文的，应是可复现的分群方案 + 稳定性证据 + 可叙述的类剖面，而不是一张仅含簇编号的散点图。

一、这一门类解决什么问题​

二、如何选择方法​

三、方法选择的决策逻辑​

四、统一的建模工作流​

五、评价指标：内部指标不是终点​

六、与各子目录/方法的对应关系​

七、使用提醒与常见陷阱​

八、推荐学习顺序​