一、K-means 算法核心原理

1. 算法目标

将 n 个样本划分到 k 个簇中，使得每个样本到所属簇中心的距离平方和最小。

2. 数学公式

目标函数（SSE，簇内平方误差）：

$$J=\sum _{i=1}^k\sum _{x\in C_i}\Vert x-{\mu }_i{\Vert }^2$$

其中：

• $C_i$ 表示第 $i$ 个簇
• ${\mu }_i$ 表示第 $i$ 个簇的质心

---

二、算法步骤详解

---

三、Python 代码实现

1. 手动实现（理解原理）

import numpy as np
from sklearn.datasets import make_blobs

class KMeans:
    def __init__(self, k=3, max_iter=100):
        self.k = k
        self.max_iter = max_iter
        
    def fit(self, X):
        # 随机初始化质心
        self.centroids = X[np.random.choice(X.shape[0], self.k, replace=False)]
        
        for _ in range(self.max_iter):
            # 分配样本到最近质心
            distances = np.sqrt(((X - self.centroids[:, np.newaxis])**2).sum(axis=2))
            labels = np.argmin(distances, axis=0)
            
            # 更新质心
            new_centroids = np.array([X[labels == i].mean(axis=0) for i in range(self.k)])
            
            # 收敛判断
            if np.allclose(self.centroids, new_centroids):
                break
            self.centroids = new_centroids
        
        return labels

# 生成测试数据
X, y = make_blobs(n_samples=300, centers=3, cluster_std=0.6, random_state=42)

# 使用手写模型
kmeans = KMeans(k=3)
labels = kmeans.fit(X)

2. Scikit-learn 生产级实现

from sklearn.cluster import KMeans
from sklearn.preprocessing import StandardScaler

# 数据标准化（重要！）
scaler = StandardScaler()
X_scaled = scaler.fit_transform(X)

# 建模
kmeans = KMeans(n_clusters=3, init='k-means++', n_init=10)
kmeans.fit(X_scaled)
labels = kmeans.labels_

---

四、关键参数解析

参数	作用	推荐值
n_clusters	指定簇的数量 K	通过肘部法则确定
init	初始化方法	'k-means++'（默认优化）
n_init	随机初始化的次数	10-50（避免局部最优）
max_iter	最大迭代次数	300-500（复杂数据）

---

五、聚类质量评估

1. 轮廓系数 (Silhouette Score)

$$s=\frac{b-a}{\max (a,b)}$$

• $a$：样本到同簇其他样本的平均距离
• $b$：样本到最近其他簇样本的平均距离
• 取值范围：[-1, 1]，值越大越好

from sklearn.metrics import silhouette_score

score = silhouette_score(X_scaled, labels)
print(f"轮廓系数：{score:.2f}")

2. 肘部法则 (Elbow Method)

import matplotlib.pyplot as plt

sse = []
k_range = range(1, 10)

for k in k_range:
    kmeans = KMeans(n_clusters=k)
    kmeans.fit(X_scaled)
    sse.append(kmeans.inertia_)

plt.plot(k_range, sse, 'bx-')
plt.xlabel('K')
plt.ylabel('SSE')
plt.title('肘部法则')
plt.show()

---

六、算法优缺点分析

优点	缺点
简单高效，时间复杂度 O(nkt)	需要预先指定 K 值
适合球形簇结构	对噪声和异常值敏感
可扩展性强（MiniBatch 变体）	初始质心选择影响结果
结果易于解释	不适合非凸形状簇

---

七、工业级优化技巧

1. 数据预处理

• 标准化：确保各特征量纲一致
• 降维：对高维数据先用 PCA 降维

  from sklearn.decomposition import PCA
  
  pca = PCA(n_components=0.95)
  X_pca = pca.fit_transform(X_scaled)
  

2. 改进初始化方法

使用 K-means++（Scikit-learn 默认方法）：

1. 随机选择第一个质心
2. 后续质心选择距离已有质心较远的点

3. 处理大数据集

使用 MiniBatch K-means：

from sklearn.cluster import MiniBatchKMeans

mb_kmeans = MiniBatchKMeans(n_clusters=3, batch_size=100)
mb_kmeans.fit(X_scaled)

---

八、应用案例：客户分群

1. 数据特征

• 年龄、消费金额、购买频率、浏览次数等

2. 实施步骤

3. 分群结果分析

客户群	特征	营销策略
群组1	高消费、低频次	推送高端产品
群组2	低消费、高频次	发放优惠券
群组3	中等消费、浏览量大	推荐热门商品

---

九、常见问题解答

Q1：如何选择最佳 K 值？

• 优先使用 轮廓系数（定量评估）
• 结合 肘部法则 和业务理解
• 尝试 Gap Statistic 等高级方法

Q2：如何处理非球形数据？

• 使用 谱聚类 或 DBSCAN 替代
• 通过 核方法 将数据映射到高维空间

  from sklearn.cluster import SpectralClustering
  
  spec = SpectralClustering(n_clusters=3, affinity='nearest_neighbors')
  labels = spec.fit_predict(X)
  

Q3：如何解释聚类结果？

• 分析每个簇的 特征分布
• 计算各特征的 簇间差异

  df['cluster'] = labels
  print(df.groupby('cluster').mean())
  

---

十、进阶学习建议

1. 深入研究：K-means++ 初始化原理
2. 对比算法：学习 DBSCAN、层次聚类等
3. 可视化工具：掌握 Plotly、Seaborn 的聚类可视化方法
4. 实战项目：尝试电商用户分群、新闻主题聚类等案例