K-Means 聚类算法（无监督学习）详解

K-Means 是一种典型的无监督聚类算法，通过将无标签数据自动划分为 K 个簇，实现按样本间相似性对数据分组，是发现数据内在结构和规律的基础模型。

核心要点

无监督学习背景

在前面的学习中，我们接触到的无论是回归模型还是分类模型，利用的数据都是自带标签的。模型经过训练可以预测一个值，然后与真实值对比进行优化，直到预测较为准确为止。

但在现实生活中，我们经常会遇到一些根本没有标签的数据。数据本身不包含"答案"，但内部隐藏着一些结构或规律，需要模型自动去发现。

聚类问题的适用场景

聚类问题在现实中有着广泛应用，文中给出了以下代表性场景：

电商用户画像分群：根据用户购买的频率、消费的金额等特征，将用户划分为不同群体，实现差异化运营；
图像主色提取与压缩：图像中包含各种各样的颜色，通过只选取少数的关键颜色来表示整张图片，使图像的 size（大小）大幅下降；
异常检测：识别偏离常规的数据点，例如异常的访问、恶意的攻击等，这需要通过数据分布中的规律来做识别。

聚类问题定义

聚类问题是指在没有标签的前提下，根据样本之间的相似性，把数据划分成若干组，也称之为不同的簇，使得：

相同簇内的样本尽可能相似；
不同簇之间尽可能有差异。

K-Means 算法的基本定位

K-Means 模型主要的用途就是实现对数据的分组。它是一个典型的聚类算法，用于将一批无标签数据自动划分为 K 个簇。

对于名字的解释：

K：指你要划分多少个簇；
Means：均值的意思，指各个簇的中心位置。在簇内，它是最中心的点，该位置相对于所有样本用均值来表示。

举例来说，给定一幅图像的散点数据，即便只用肉眼观察，大概也能看出有四个簇。K-Means 就是去寻找这四个中心点，使得该簇内所有的样本点到该中心点的距离是最近的；相对于到其他中心点的距离而言，每个样本都应属于离其最近的中心点所在的簇。

详细解析

一、质心（Centroid）

质心就是簇中心的位置，通常取该簇内所有点在各个维度上的均值。

举例说明：在二维空间中，有 3 个点，它们的质心计算方法为：

对所有的 X 值求均值；
对所有 Y 值求均值。

得到的坐标（如 (2,3)）即为这 3 个点的质心。

二、欧式距离（Euclidean Distance）

在聚类中经常需要度量距离，判断谁离谁近、谁离谁远，最常用的度量方式就是欧式距离（欧吉里德距离）。

二维空间中：若有 A、B 两个点，它们的欧式距离计算方式为：

distance = sqrt((xA - xB)² + (yA - yB)²)

多维推广：当数据扩展到三维甚至更高维（例如 10 维），每个点可以理解为多维空间中的一个向量。其计算方式是各维度上对应值相减后的平方和（再开方）：

二维时计算 X 与 Y 两个维度；
三维时增加 Z 维度；
四维时继续增加，依此类推，直到第 N 维（N 为数据的维度数）。

三、簇内平方和（SSE）与聚类效果评估

K-Means 追求的聚类目标是：让同一个簇内的样本尽可能都接近，靠近该簇的质心。

评价聚类效果好坏的标准被称作 SSE（Sum of Squared Error，即簇内误差平方和，原文中用 S S 表示），其计算思路为：

对于每一个簇（第 i 个簇，记为 Ci）：

计算簇中所有样本点到其质心 μ（Mu）的距离；
对这些距离计算平方和；
将每个簇内算出的平方和进行累加。

最终得到总的 SSE 值。该数值越小，说明：

簇内样本越紧凑；
聚类效果通常越好。

因此该指标可以作为后续衡量聚类效果的重要依据。

四、K-Means 的迭代原理与流程

K-Means 的迭代原理非常简单，核心步骤就是：选中心、分簇、更新中心、再分簇，直到收敛稳定。具体流程如下：

初始化中心点：需要手工指定一个 K 值（根据肉眼观察数据大约有几个簇），随机选择 K 个点作为最开始的质心；
分配样本：计算每个样本到这些质心的距离，把它归属到离它最近的质心所在的簇；
更新质心：利用公式重新计算每个簇内所有点的质心，得到 K 个新质心；
重复分配与更新：将所有样本与这 K 个新质心重新做距离判断，样本的归属可能发生改变（有的点从这个簇换到另一个簇）；
判断收敛：停止迭代的条件有三种，满足任一即可：

质心的位置不再发生变化；
样本的归属不再发生改变；
达到最大迭代次数（防止死循环）。

评估效果：聚类完成后，计算 SSE 来评估效果。

方法与步骤

手工实现 K-Means 的演示逻辑

文中通过代码演示了 K-Means 的执行过程，核心思路如下（伪代码梳理）：

数据准备

生成 300 个样本；
设置分成 4 个簇；
参数 0.6 控制簇的稀疏程度；
使用工具生成散点分布样本数据。

手工实现基本流程

随机初始化：使用 random.choice 方法，随机选择 K 个点作为初始质心；
分配样本：计算每个样本到每个中心点的距离，对每一行判断它到哪个中心点最近，就将样本归属为对应的标签。这样得到 K 个簇，每个簇下面有一些样本；
更新质心：对每个簇内的所有样本重新求均值，计算新的中心点；
收敛检查：检查之前的中心点与现在的中心点的差距是否有变化：

如果有变化则继续迭代；
如果不再变化则跳出循环；

迭代上限：设置最大迭代次数为 15 次，如果 15 次之后还未收敛，则按最后一次的结果输出。

演示过程中的观察

第 1 次迭代：完成初始质心随机初始化后，给样本标记归属；
第 2-4 次迭代：不断更新质心位置，部分样本被分到这个簇或那个簇；
第 6 次迭代：质心位置基本不再变动，聚类完成。

从可视化结果可以看到，刚开始质心是随机分布，随着不断迭代，质心位置和簇内样本归属逐渐趋于稳定，最终形成的聚类结果与初始随机状态有明显差别。

案例与数据

优化方案一：K-Means++（改进初始质心选择）

问题背景

K-Means 的第一个不稳定因素是随机选择初始化的质心。不同的初始化方式可能导致：

算法陷入较差的局部最优解；
聚类结果存在明显差异。

K-Means++ 的核心策略

K-Means++ 在选取初始质心时做了改进，不再是全部随机选择：

选择第一个质心：先从样本点中随机挑选一个样本点作为第一个质心；
选择后续质心：不再是完全随机选择，而是尽可能挑选距离已有质心（或已选质心集合）较远的样本点作为新的质心。

举例说明：如果第一个选了这个点，下一步就找一个距离这个点最远的点做质心；再下一步找距离这两个点都比较远的点做质心。

这样做的目的是防止像随机选择那样，初始时几个质心恰好都集中在一小片区域内，导致其他区域的分簇出现困难。K-Means++ 的选择方式使得初始质心的分布把握度更大、更均匀。

优化方案二：肘部法则（Elbow Method）选择 K 值

问题背景

K-Means 需要预设 K 值，但对于复杂数据，肉眼并不容易判断 K 应取多少。而 K 值的设置显著影响分簇效果：

若某些数据真实的簇数是 4，强行设置 K=3 时，分类效果会较差；
若强行设置 K=6，则分类过细，很多时候没有必要。

肘部法则的原理

肘部法则的操作方式是：从 K=1 开始，对一个范围内的每个 K 值分别计算其对应的 SSE。

规律是：随着 K 值增大，SSE 会持续下降。原因在于：如果令 K 等于样本总数（如 300 个样本取 K=300），那么每个样本单独成为一个簇，簇内每个点到自身质心的距离为零，SSE 必定为 0——但这毫无实际意义。

因此，关键是找到 SSE 下降趋势中出现明显拐点的位置。这个拐点位置形状类似手臂弯曲时的肘部，所以被形象地称为"肘部法则"。从曲线图可以判断出最合适的 K 值。

演示结论

通过运行代码测算，示例数据的最佳 K 值大约为 4。

使用 Scikit-Learn 内置 K-Means 的效果验证

在用 Scikit-Learn（原文中记为 seclar learn）实现时，代码非常简洁。使用 K-Means 时：

设置 K=4；
默认使用 K-Means++ 作为质心初始化方法；
设置 n_init=10（原文写作 ne 等于 10）。其含义是让算法从 10 次不同的初始化运行中，挑选出 SSE 最小的一次结果来消除随机初始化的不确定性。

实际运行效果：

初始质心会与最终结果有明显差别，经过聚类后数据被正确分成 4 类；
SSE 为 362（样本量共 300 个），平均来看每个点的偏差约为 1.2~1.3 左右，属于比较准确的结果；
算法只迭代了 3 次就实现了快速收敛，效果非常好。

案例与数据

应用场景详解：聚类模型的广泛用途

聚类模型的用途非常广泛。除了前面提到的特征分类之外，还包括：

应用领域	具体说明
电商客户分层	根据用户行为特征划分不同群体
图像处理	将颜色轻量化、图像分割、压缩颜色空间
异常检测	识别偏离常规模式的数据点
推荐系统冷启动	用户或物品数据量较少的初期阶段，为"猜你喜欢"提供依据
数据探索（EDA）	帮助初步了解数据内部的结构与分布
特征工程	用聚类结果作为新的特征维度

图像压缩案例：用 K-Means 减少颜色数量

任务目标

将一张彩色图片进行颜色压缩，只用少数几种颜色表示整张图片。

操作步骤

读取本地图片：通过代码读取图像，注意正确配置图片路径；
数据归一化：图像中的每个颜色由 RGB 三原色组成，每个原色的数值范围在 0~255 之间。将所有像素值除以 255，使数值归一化到 0~1 之间，形成一个像素矩阵；
设置不同簇数：分别设置 K=4、K=16、K=64 进行聚类；
聚类压缩颜色：聚类完成后，用每个簇的质心颜色替代簇内所有像素点的原颜色。例如图像本来有上万种颜色，K=4 时仅用 4 种质心颜色来表示；
对比效果：将不同 K 值的压缩结果与原图进行对比。

实验观察结果

K=1：整个图像只呈现一种颜色（可能是全黑）；
K=2：图像呈现黑白两色；
K=4：结果类似于早期卡通的风格；
K=16：图像相对较清晰，但部分轮廓细节仍不太清楚；
K=64：几乎与原图没有任何差别。

K 值越大，图像越接近原图，但文件体积也越大。这个案例说明 K-Means 对图像数据可以做到大范围的压缩，在压缩比和图像质量之间可以通过 K 值进行平衡。

限制与待确认问题

K-Means 的优点总结

思想简单：算法思路非常直观，容易理解；
流程清晰：迭代过程逻辑明确；
可解释性强：每个簇都有明确中心点，如颜色压缩后直接选出 4 种代表色；
计算效率高：在中型规模的数据上运行效率相对较高；
实现简单：即使不用 Sklearn 库，手写一个基础 K-Means 也只需不到 50~100 行代码。

K-Means 的局限性

1. 预设 K 值不当会导致严重问题

问题描述：K 值的选取准确度直接影响聚类效果。对复杂数据而言，难以仅凭经验正确估计 K 值。

解决方案：使用肘部法则先对 K 值做出预判（也可与 K-Means++ 配合使用）。

2. 对初始值敏感，容易陷入局部最优

问题描述：随机选择初始质心可能导致算法收敛到局部最优解，而非全局最优，不同初始条件下聚类结果可能差异很大。

解决方案：

使用 K-Means++ 对质心初始化进行优化；
设置多次运行参数（如 n_init=10），从多次聚类结果中选取 SSE 最小的一次，消除部分不确定性。

3. 只能发现球形簇

问题描述：K-Means 对簇形状有天然限制，只适合发现类似球形的簇。若数据分布呈现月牙形、环形或其他非凸形状，K-Means 的处理效果会非常差。在前面的例子中数据分布接近圆形或球形，所以 K-Means 能正常处理。

4. 对异常值非常敏感

问题描述：由于簇中心通过均值计算，异常点会对质心的位置产生显著影响。举例来说，如果大部分数据点集中在某个区域内，但有一个点远远偏离到屏幕外，这个极端的数据点会使全局质心的计算结果明显偏移。

5. 对特征尺度敏感

问题描述：不同特征的数值尺度差异（如有的特征单位为个位、有的特征达到数千）会显著影响距离计算的结果，从而影响聚类效果。

解决方案：在使用 K-Means 之前，必须先对特征做标准化（Standardization）或归一化（Normalization）操作。

针对局限性的已有缓解方案

对应上述缺陷，业界存在多种常用的优化策略：

问题	优化方案
初始质心随机选择	K-Means++ 初始化算法
局部最优的随机波动	多次运行（如 n_init=10），选取 SSE 最小结果
大型数据计算效率	Mini Batch K-Means
异常值敏感	中心点聚类（K-Medoids）
无法处理任意形状簇	基于密度的聚类（DBSCAN）
需要手动设定 K	层次聚类、基于密度的聚类（自动判定簇数）

Mini Batch K-Means：核心思想是在每轮迭代时，不使用全部样本更新质心，而是随机抽取一个小批量（mini-batch）样本来更新质心，从而显著提升运行速度；
尽管上述方案能改善部分问题，但需要注意的是，K-Means 的固有局限性并不会完全被消除。

总结

扩展内容：其他更高阶的聚类算法

在实际应用中，K-Means 仍然是非常基础级别的算法，存在大量局限。业界已有一些更高级的聚类方法可以做了解与选用：

中心点聚类（K-Medoids）：与 K-Means 的不同之处在于它并不是计算出一个虚拟的质心，而强制选取一个实际存在的数据点作为簇的中心。这样使得算法对噪声和极端异常值不那么敏感；
基于密度的聚类：不需要预先设定 K 值，算法会根据数据本身的密度自动计算簇的数量。它将密度足够高的数据区域划分为一个簇，能够处理任意形状（如环形、月牙形）的数据分布，且自带异常点检测能力；
层次聚类：其过程与决策树有些相似。支持自顶向下或自底向上两种方向。以自底向上为例：最开始每个点单独作为一个簇，之后持续寻找距离最近的两个簇合并成一个新簇，不断合并，直到达到所期望的 K 值为止。这个方法同样不需要预先设定 K 值，算法会自行检测合理的聚类数目。

课程收束与后续预告

K-Means 是最基础的无监督学习模型之一，适合作为无监督学习的入门内容。正如作者所说，K-Means 算法"非常初级"，存在较多限制，但它是理解聚类思想的重要起点。

如果对无监督学习的其他方向感兴趣，还可以了解其他相关应用。下节内容将介绍无监督学习的另一分支——数据降维：当特征数量特别多时，如何通过降维手段让特征数量变少，使数据处理更加高效。