聚类算法入门是什么？

关键要点

• 聚类属于无监督学习，输入数据没有预先给定的标签。
• 聚类的核心原则是最大化簇内相似性，最小化簇间相似性。
• 聚类与分类的关键区别在于学习类型、输入数据和目标不同。
• K-Means是经典的聚类算法，需要预先指定簇数（K）。
• 聚类结果（簇标签）需要结合领域知识进行事后分析才能产生商业价值。
• 特征缩放对基于距离的聚类算法（如K-Means）很重要。

怎么选 / 怎么做

1. 理解核心思想：聚类是根据数据特征相似性进行自动分组。
2. 准备数据：使用数值型特征，必要时进行特征缩放。
3. 选择算法与参数：例如使用K-Means并指定簇数K。
4. 训练模型：使用算法（如KMeans.fit()）对数据进行聚类。
5. 分析结果：结合业务知识解读簇标签，为分组赋予实际含义。

常见问题

聚类与分类有什么区别？

分类有标签，是预测；聚类无标签，是探索分组。

聚类有哪些典型应用？

用于客户细分、异常检测、市场研究和图像分割。

K-Means聚类需要注意什么？

需预先指定簇数K，且特征量纲差异大时应先标准化。