聚类的核心目标与原则是什么？

关键要点

• 聚类是一种无监督学习方法，处理没有预先给定标签的数据。
• 聚类的核心原则是最大化簇内相似性，最小化簇间相似性。
• 聚类算法根据样本特征的相似度自动划分组（簇），发现数据内在结构。
• 聚类与分类的关键区别在于学习类型和输入数据是否有标签。
• 聚类的典型应用场景包括客户细分、异常检测和市场研究。
• 聚类结果（簇标签）本身没有业务含义，需要结合领域知识进行解释。

怎么选 / 怎么做

聚类的核心目标与原则是：
- 目标：将未标记的数据样本根据相似度划分为不同的组（簇）。
- 原则：追求“组内相似性高，组间相似性低”，即最大化簇内相似性，最小化簇间相似性。
- 方法：算法自动探索数据模式，为样本分配簇标签。
- 注意：聚类属于无监督学习，输入数据仅包含特征，没有标签；输出簇标签需结合业务分析赋予含义。

常见问题

聚类与分类有什么区别？

聚类是无监督学习，无标签；分类是有监督学习，有标签。

聚类的典型应用有哪些？

客户细分、异常检测、市场研究、图像分割。

聚类结果标签有直接含义吗？

没有，需结合数据与业务知识分析解释。