聚类与 K-means：距离、初始化、选 K 和真实应用 | 自在学

聚类：从 K-means 原理到可解释、可复现的分群流程

聚类常被描述成“让算法自己发现数据里的群体”。这句话只说对了一半。算法确实不需要我们提前给每个样本贴上类别标签，但它不会凭空读懂“什么叫相似”。我们选了哪些特征、怎样缩放、使用哪种距离、允许什么形状的簇，这些决定已经把人的判断写进了问题。

所以，聚类结果不是藏在数据里、等着被挖出来的唯一答案。对同一批用户，有人按消费能力分群，有人按活跃习惯分群，两种结果都可能合理；换一个观察窗口或距离定义，分组又可能改变。我们真正要做的是：先说明当前任务里的相似性，再找出一种稳定、可解释、能支持后续行动的划分。

这一章会以 K-means 为主线。我们会从目标函数推到分配与更新步骤，解释 k-means++ 为什么不是“每次选最远点”，再处理特征缩放、空簇、离群点、局部最优和不同形状等工程问题。最后，我们用图像颜色量化和用户分群把完整流程串起来，并比较层次聚类、DBSCAN、HDBSCAN、高斯混合模型等替代方案。

本章默认有 $m$ 个样本、 $d$ 个数值特征，希望得到 $K$ 个簇。样本写作 $x^{(i)}\in\mathbb{R}^d$ ，第 $k$ 个中心写作 $\mu_k$ ，第 $i$ 个样本的簇分配写作 $c^{(i)}$ 。簇编号只是数组索引，不表示大小、等级或先后顺序。

聚类先回答“按什么相似”，再谈算法

监督学习有目标值 $y$ 。模型预测错了多少，可以直接和标签比较。聚类只有样本 $x^{(1)},x^{(2)},\ldots,x^{(m)}$ ，没有一列现成答案告诉我们“这个用户属于哪一群”。这使它适合探索结构，也使结果更依赖问题定义。

举个具体例子。我们有一批音乐用户，原始字段包括年龄、城市、近 30 天播放次数、跳过率、夜间收听占比和常听曲风。如果目标是设计会员权益，消费与活跃特征可能更有用；如果目标是编排首页内容，曲风和收听时段可能更重要。把所有字段不加选择地扔给算法，看似客观，实际上只是让数据量纲和冗余字段替我们做决定。

一次聚类至少包含四层选择

层次	要回答的问题	选择改变后会发生什么
样本	每一行代表谁，观察窗口多长	同一个人的短期行为与长期习惯可能不同
表示	用哪些特征、怎样编码	“相似”会朝被保留的特征倾斜
几何	使用什么缩放和距离	某些维度可能主导最近中心的判断
算法	假设簇是什么形状、是否允许噪声	K-means、DBSCAN 与 GMM 会给出不同结构

同一批数据在不同特征表示与距离定义下形成不同聚类结果

聚类没有脱离任务的唯一答案，先定义“什么叫相似”。

这也解释了为什么“簇是不是天然真相”通常没有简单答案。物种、疾病亚型等任务有时存在外部知识可检验；用户偏好、新闻主题和商品风格往往更像连续谱。即便数据完全没有明显团块，聚类算法仍然能切出若干组。算法返回了标签，不等于数据证明了这些群体真实存在。

聚类项目开始前，我建议先写下一句可检验的任务说明：

在给定的时间窗口和特征表示下，把样本划成若干组，使组内对象在指定距离上更接近，并检查这些分组是否稳定、可解释且能支持后续决策。

这句话没有承诺“发现真实类别”，却把样本、相似性和验收条件都摆到了桌面上。

同一批用户分别按消费行为和内容偏好得到两套分群，最合理的判断是什么？

K-means 优化的是簇内平方距离

K-means 的名字来自两件事：我们预先指定 $K$ 个簇，每个簇用成员的均值表示。它的目标是让每个样本靠近自己所属的中心。常见目标函数叫簇内平方和（within-cluster sum of squares，WCSS），在 scikit-learn 中对应 inertia_：

J(c,\mu)= \sum_{i=1}^{m} \left\lVert x^{(i)}-\mu_{c^{(i)}}\right\rVert_2^2

有些教材在前面乘 $1/m$ ，把总和写成平均值。这个常数不会改变最优的分配和中心。关键部分是欧氏距离的平方：远离中心的点会受到更大的惩罚，中心则由算术平均数给出。

也可以把目标写成“每个点挑最近中心”的形式：

J(\mu)= \sum_{i=1}^{m} \min_{k\in\{1,\ldots,K\}} \left\lVert x^{(i)}-\mu_k\right\rVert_2^2

当中心固定时，空间会被最近中心切成若干 Voronoi 区域。落在同一区域的样本归为一簇，区域之间的边界是到两个中心等距的超平面。因此，标准 K-means 偏好紧凑、凸、尺度相近的团块。

K-means 的质心、Voronoi 分区与簇内平方距离目标

每个点归给最近质心，算法优化的是到所属质心的平方距离总和。

中心不一定是某个真实样本

若一个簇里有三个二维样本 $(0,0)$ 、 $(2,0)$ 和 $(1,3)$ ，中心是：

\mu= \left( \frac{0+2+1}{3}, \frac{0+0+3}{3} \right) =(1,1)

这个点可以不在原始数据中。若业务要求“代表对象必须是真实商品或真实用户”，更贴近需求的是 k-medoids：它从样本里选中心，并且通常比均值对极端值更稳健。

簇标签可以任意重命名

一次运行输出 [0, 0, 1, 1]，另一次输出 [1, 1, 0, 0]，两者表达的是同一划分。数字 0 和 1 没有语义，也没有顺序。展示用户分群时，应根据画像另建稳定名称，例如“高频低客单”与“低频高客单”，不要把 cluster_id=3 解释成“等级 3”。

K-means 输出的簇编号 2 比簇编号 1 更大，因此可以直接解释为更高价值人群。

分配与更新是对同一目标的交替优化

同时搜索所有样本的簇分配和所有中心很难。Lloyd 算法采用一个直接办法：固定一半变量，优化另一半，再交换。这样每一步都不会让目标函数上升。

固定中心：每个样本选最近的一簇

给定中心 $\mu_1,\ldots,\mu_K$ ，不同样本的选择互不影响。第 $i$ 个样本只需比较到所有中心的平方距离：

c^{(i)}= \underset{k\in\{1,\ldots,K\}}{\arg\min} \left\lVert x^{(i)}-\mu_k\right\rVert_2^2

若两个中心距离完全相同，实现通常按固定规则打破平局。这不会破坏目标函数，但可能使边界上的个别样本在不同实现间得到不同编号。

固定分配：每个中心移动到成员均值

令第 $k$ 个簇的样本索引集合为：

C_k=\left\{i:c^{(i)}=k\right\}

只看这个簇对目标的贡献：

J_k(\mu_k)= \sum_{i\in C_k} \left\lVert x^{(i)}-\mu_k\right\rVert_2^2

对 $\mu_k$ 求梯度并令它为零：

\nabla_{\mu_k}J_k =2|C_k|\mu_k-2\sum_{i\in C_k}x^{(i)}=0

得到更新公式：

\mu_k= \frac{1}{|C_k|} \sum_{i\in C_k}x^{(i)}

所以“更新到均值”不是随手选的启发式规则，而是固定分配后让簇内平方和最小的精确解。

K-means 在样本分配与质心更新之间交替下降

分配和更新分别固定一半变量，使同一个目标逐步不增。

为什么会收敛，又为什么不保证全局最优

分配步骤选择当前最近中心，目标不会增大；更新步骤把中心放到当前成员的均值，目标也不会增大。有限个样本只有有限种分配，算法最终会停在某个不再改进的解上。常用停止条件包括中心移动量低于阈值、目标下降太小或达到最大迭代次数。

但“每一步都下降”只说明收敛到一个局部解。初始中心不同，算法可能走向不同终点。目标曲线单调下降是运行正常的信号，不是已经找到全局最小值的证明。

空簇没有均值

若某轮分配后 $C_k$ 为空，更新公式的分母是 0。不同实现会保留旧中心、重新选择远点或拆分高误差簇。自己实现时必须明确策略；否则一个 mean([]) 就会产生 NaN，下一轮所有距离都可能失效。

固定当前簇分配后，为什么把中心更新为簇内样本均值？

k-means++ 与多次运行是在管理局部最优

最朴素的初始化是从训练样本中随机选 $K$ 个不同点。若多个初始中心挤在同一团数据里，另一个真正分离的区域就可能没有中心，后续迭代容易落入较差的局部解。

k-means++ 用“相距远，但仍保留随机性”的方式选种子。先均匀随机选第一个中心；已有中心集合为 $M$ 时，对每个样本计算它到最近已有中心的平方距离：

D(x)^2= \min_{\mu\in M} \left\lVert x-\mu\right\rVert_2^2

下一个中心按下面的概率从样本中抽取：

P(x\text{ 被选中})= \frac{D(x)^2} {\sum_{x'\in X}D(x')^2}

距离已有中心越远，被抽中的概率越高；但它不是每轮确定性地选择最远点。这种 $D^2$ 加权保留了随机性，也避免一个孤立极端值必然被当成中心。

k-means++ 分散播种与多次重启共同降低局部最优风险

更好的播种和多次独立运行是在管理局部最优，不是消除它。

好初始化仍然需要重启

k-means++ 改善起点，不会把非凸问题变成凸问题。稳妥做法是使用多个随机种子独立拟合，保留 inertia_ 最小的一次。重启次数没有适合所有数据的固定数字：簇越重叠、维度越高、结果越重要，越应该查看多次运行的目标分布和分群稳定性。

在 scikit-learn 中，n_init 控制独立初始化次数，random_state 让同一配置可复现。显式写出 n_init 比依赖不同版本的默认值更清楚：

python

from sklearn.cluster import KMeans
 
model = KMeans(
    n_clusters=4,
    init="k-means++",
    n_init=20,
    max_iter=300,
    random_state=42,
)
labels = model.fit_predict(X_scaled)
print(model.inertia_, model.n_iter_)

复现同一个随机种子是为了定位问题和交付结果，不是为了证明结果稳定。稳定性要通过更换种子、重采样或时间窗口后仍得到相近划分来检查。

关于 k-means++ 和多次运行，下列哪些说法正确？

特征缩放和距离定义决定谁算“邻居”

K-means 每一次分配都在比较欧氏距离。若一个用户用两个特征表示：年消费金额范围是 $0$ 到 $50{,}000$ 元，月访问次数范围是 $0$ 到 $30$ 次，那么未缩放时，金额方向的一点变化就可能压过访问次数的全部差异。算法并不知道“元”和“次”不能直接比较。

标准化常把每个特征变成均值约为 0、标准差约为 1：

z_j^{(i)}= \frac{x_j^{(i)}-\bar{x}_j}{s_j}

这样做不是永远正确，只是让各列的典型波动处在相近尺度。若业务明确认为订单金额比访问次数重要，可以在标准化后再施加权重；比起让原始单位暗中决定权重，这种做法更容易解释。

特征未缩放与缩放后样本距离、最近邻和聚类归属的变化

距离会把量纲写进模型；缩放方式本身就是相似性假设。

缩放参数也会泄漏信息

若要把聚类模型应用到未来用户，均值和标准差只能在拟合样本上计算，再原样用于后续数据。先用全量数据计算缩放参数，再回头做时间验证，会让未来分布参与训练。这个泄漏不像标签泄漏那样显眼，却会让离线结果偏乐观。

欧氏距离不是所有数据的默认答案

连续数值且关注绝对差异时，标准化后的欧氏距离通常是可解释起点。
文本词频等高维稀疏向量常更关心方向，可先做 L2 归一化，再谨慎使用 K-means；这时欧氏距离与余弦相似性存在紧密关系。
类别字段不能用城市编号 1、2、3 直接制造距离。需要合适编码，或改用能处理混合数据的距离与算法。
周期变量如小时 23 与 0 实际很近，直接使用整数却很远，可编码成正弦和余弦。
经纬度覆盖较大区域时，平面欧氏距离未必合适，应考虑球面距离或先投影到合适坐标系。

“先标准化再 K-means”不是无需思考的固定配方。标准化仍然隐含“每个特征一个标准差同等重要”。相关特征重复出现还会被重复计权，因此要同时检查特征选择、相关性和业务权重。

用户特征包含年消费金额和月访问次数，直接做 K-means 后几乎只按金额分组。最先应检查什么？

先看失败模式，再决定是否继续用 K-means

K-means 的速度和可扩展性很好，但它的目标函数带着清楚的几何偏好。知道这些偏好，比把任何结果都解释成“发现规律”更重要。

非球形、不同密度、离群点和簇规模不均等 K-means 失败模式

先识别数据形状是否符合假设，再决定是否继续使用 K-means。

非球形结构：两轮月牙会被直线切开

最近中心产生的边界是线性片段。环形、月牙形或沿曲线延伸的簇，可能在视觉上连成一体，却被 K-means 横切。若结构由局部连通性定义，DBSCAN、HDBSCAN 或谱聚类通常更贴近问题。

密度和方差差异：大团块会吞掉小团块

K-means 偏好方差相近的紧凑簇。一个宽而稀疏的群体旁边有一个小而密的群体时，中心会为了降低总平方误差而移动，边界未必落在视觉上的低密度谷底。不同样本数也会产生类似问题：大簇对总目标贡献更大。

离群点：平方损失会放大远距离

一个极远样本可能显著拉动均值，甚至独占一个中心。先核对异常值是数据错误、真正的少数模式，还是任务外样本。若希望把孤立点显式标为噪声，可以考虑密度方法；若仍要中心代表，可比较 k-medoids 或做有依据的稳健预处理。

高维空间：所有点都可能显得差不多远

特征很多且含噪时，欧氏距离的区分度会下降。此时应先做领域驱动的特征筛选，或在保留足够信息的前提下尝试 PCA，再重新评估稳定性。不能因为二维投影看出几个团，就断言高维空间里存在同样边界；投影本身也会改变几何关系。

空簇与小簇：它们可能是诊断信号

频繁出现空簇，常见原因包括 $K$ 过大、重复样本很多、初始化不佳或数据有效结构不足。只有一两个样本的小簇也值得复核：它可能是珍贵的稀有群体，也可能只是极端值吸走了中心。不要只写一段“重新随机初始化”就把信号抹掉。

下列哪些数据形态容易让标准 K-means 给出违背直觉的结果？

选择 K 要联合看肘部、轮廓、稳定性和用途

固定同一批数据时， $K$ 增大，簇内平方和不会上升。极端情况下令 $K=m$ ，每个样本独占一簇，目标可以降到 0，但这个结果通常毫无概括价值。因此，“选让 inertia 最小的 $K$ ”没有意义。

肘部法看边际收益是否明显变小

对一组候选 $K$ 分别拟合，画出 $K$ 与 inertia 的关系。若从 $K=2$ 到 $K=3$ 下降很多，之后改善变缓， $K=3$ 像手臂弯折处的肘部。问题是，很多真实曲线平滑下降，没有清楚拐点；不同观察者也可能选出不同位置。

轮廓系数同时比较组内紧密和组间分离

对样本 $i$ ，令 $a(i)$ 为它到同簇其他样本的平均距离， $b(i)$ 为它到最近其他簇中样本的平均距离。轮廓系数是：

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

$s(i)$ 接近 1 表示样本比起其他簇更贴近本簇；接近 0 表示处于边界；小于 0 表示它平均更靠近另一个簇。整体分数通常取样本平均值。

轮廓系数也有边界。它要求至少两个有效簇，不能评价 $K=1$ ；它偏爱紧凑、凸且分离的结构，因此可能不公平地低估密度型的弯曲簇。只报一个平均值还会掩盖小簇很差的情况，最好同时看每簇分布。

稳定性问“数据稍微变化，结果还在吗”

可以反复抽取子样本、改变随机种子或移动时间窗口，再比较共同样本的分群一致性。若某个 $K$ 的平均指标不错，但轻微扰动就让大量样本换组，这个解不适合作为稳定运营规则。比较时要用对标签置换不敏感的指标，例如 ARI，而不是直接计算簇编号相等率。

业务边界决定结果能否落地

运营团队只能维护 4 套方案， $K=17$ 即使轮廓略高也未必可用；图像颜色量化则可以把 $K$ 直接理解为调色板颜色数，在画质和存储之间权衡。还要检查最小簇是否足够大、画像差异是否能解释、每组是否有不同动作，以及新样本如何归组。

用肘部、轮廓、稳定性和业务用途联合选择聚类数 K

K 是证据与用途的共同选择，单个内部指标不能替代业务判断。

一个稳妥的选择过程不是让四个标准投票，而是先设业务可行范围，再在范围内联合比较：

肘部是否有明显的边际收益变化；
轮廓的整体均值和逐簇分布；
重采样、随机种子和时间窗口下的稳定性；
簇规模、画像与后续动作是否合理。

若这些证据都不支持清楚结构，“不发布分群”也是有效结论。

某数据的 inertia 随 K 平滑下降、没有明显肘部。下一步最合理的做法是什么？

聚类评估要分清有无外部真值

聚类没有通用的“准确率”。评估前先问：是否存在独立于聚类过程的参考标签？这个标签代表的是不是我们当前想找的结构？鸢尾花物种可以用于教学比较，但若我们按花朵尺寸做市场包装，物种标签未必就是目标。

有参考标签：比较划分，而不是比较编号

调整兰德指数（Adjusted Rand Index，ARI）从样本对出发：两种划分是否都把一对样本放在一起，或都把它们分开。它对簇编号置换不敏感，并对随机一致进行校正。ARI 接近 1 表示高度一致，接近 0 表示与随机划分相当，某些冲突划分可以得到负值。

调整互信息（AMI）从信息共享角度比较两套划分，也会校正随机一致。两者都不要求预测簇编号和参考类别编号一一相同。

参考类别与聚类之间也可能不是一对一关系。一个物种内部可能按生长阶段分成两个簇，两个类别也可能因当前特征不可分而落入同一簇。指标低时，要先理解差异结构，不要立即把算法判成“错误”。

没有参考标签：内部指标只能检验自己的假设

inertia 衡量对平方欧氏目标的拟合程度；轮廓系数衡量指定距离下的紧密与分离；Calinski–Harabasz、Davies–Bouldin 等指标也各有几何偏好。它们能比较候选解，却不能证明这些簇有业务含义。

稳定性与下游效用补上另外两块证据

稳定性检查结果能否在采样噪声、时间变化和随机初始化下复现。下游效用则检查分群是否改善真实任务，例如人工审核效率、推荐覆盖率或营销实验增量。若聚类用于探索而非决策，也可以请领域人员盲评画像是否一致、边界样本是否合理。

评估最好形成一张证据表：

证据	回答的问题	不能单独证明什么
inertia / 轮廓	当前几何假设下是否紧凑分离	簇是否具有现实语义
ARI / AMI	与外部划分是否一致	外部标签是否就是任务目标
重采样稳定性	小扰动后划分是否复现	稳定划分是否有用
下游实验	分群是否改善具体行动	算法是否发现“自然类别”

若预测簇标签是 [0,0,1,1]，参考标签是 [1,1,0,0]，仅因数字不相同就应判为完全错误。

MiniBatch K-means 用少量精度换取规模

标准 Lloyd 迭代每轮都要让 $m$ 个样本与 $K$ 个中心比较。在 $d$ 维空间迭代 $I$ 轮，朴素计算量大致是：

O(mKdI)

数据有数千万行时，即使单次距离很便宜，反复全量扫描也会成为瓶颈。MiniBatch K-means 每轮随机抽取一小批样本，只用这批样本更新相关中心。中心采用流式均值，随着已见样本数增加，单个新样本带来的移动会逐渐变小。

若中心 $k$ 已累计接收 $n_k$ 个样本，新样本 $x$ 分到该中心，一种直观更新写法是：

\mu_k\leftarrow \left(1-\frac{1}{n_k} \right)\mu_k+ \frac{1}{n_k}x

它仍在尝试优化同一个簇内平方距离目标，但没有在每轮精确完成全数据分配与均值更新。结果通常更快，解可能比完整 K-means 略差。

什么时候值得使用

全量 K-means 的运行时间或内存已经影响实验速度；
数据持续到达，需要分批更新；
可接受小幅目标损失，换取显著吞吐提升；
已用代表性样本确认特征、距离和 $K$ 大致合理。

不要只比较训练时间。至少同时记录完整数据上的 inertia 近似、轮廓抽样、重启稳定性、簇规模和下游表现。批大小太小会增加更新噪声，太大则逐渐失去加速收益。

python

from sklearn.cluster import MiniBatchKMeans
 
mini = MiniBatchKMeans(
    n_clusters=8,
    batch_size=2048,
    n_init=10,
    random_state=42,
)
mini.fit(X_scaled)
 
print("迭代批次数：", mini.n_steps_)
print("近似簇内平方和：", mini.inertia_)

对高维稀疏文本，距离集中和初始化不稳定往往比计算量更早暴露。可以在验证表示方式后使用 MiniBatchKMeans，但应增加重启并检查空簇、小簇和主题可解释性。

使用 MiniBatch K-means 的主要权衡是什么？

层次、密度与概率模型各自回答不同问题

看到 K-means 失败，不应直接在它的参数上无限调试。先判断失败来自哪条假设，再选择更贴近任务的算法。

K-means、层次聚类、DBSCAN 与高斯混合模型的适用问题地图

不同算法回答不同结构问题，选择应从簇形状、噪声和输出需求出发。

层次聚类：需要一棵从细到粗的关系树

凝聚式层次聚类从每个样本各自成簇开始，逐步合并最接近的两组。树状图能展示不同切割高度下的分组，适合探索基因、商品品类等层级关系。结果强烈依赖 linkage：single 容易沿链条连接，complete 强调最远成员，average 看平均距离，Ward 倾向降低簇内方差。

它不意味着“完全不用决定簇数”。你仍需选择切割高度或目标簇数，而且大数据上的距离和树结构会带来计算与内存压力。

DBSCAN / HDBSCAN：簇由高密度连通区域定义

DBSCAN 用邻域半径 eps 和最小样本数 min_samples 寻找核心点，并从核心点扩展密度连通区域。它不需要预先给 $K$ ，能发现弯曲形状，还会把无法归入密集区域的点标为噪声。

但单一 eps 难以同时照顾密度差异很大的簇。eps 太小会把稀疏簇切碎，太大又会把相邻密集簇连起来。HDBSCAN 通过多尺度密度层次处理变化密度，代价是参数和结果解释更复杂。

高斯混合模型：需要软分配和椭圆形概率结构

高斯混合模型（GMM）假设数据由多个高斯成分生成，估计每个成分的均值、协方差和混合权重。它能输出每个样本属于各成分的概率，而不是只有一个硬标签；完整协方差还可以表达倾斜的椭圆形簇。

GMM 仍需选择成分数和协方差结构，也会受初始化影响。样本太少而协方差过于自由时，容易过拟合或出现数值问题。BIC 可以作为模型选择证据之一，但同样不能替代领域检验。

其他常见选择

需求	可优先比较	主要代价或限制
中心必须是真实样本、需减弱离群点影响	k-medoids	大样本上通常比 K-means 慢
非凸结构可由相似图表达	谱聚类	相似矩阵和特征分解不易扩展
大规模数据先压缩再聚类	BIRCH	阈值与后续全局聚类影响结果
需要可预测新样本的紧凑中心	K-means / GMM	仍需接受相应几何或分布假设

算法选择最终回到一句话：你希望“同一簇”由中心距离、层级合并、局部密度，还是生成概率来定义？

下列任务与候选方法的搭配中，哪些较合理？

图像颜色量化把像素压成一张调色板

一张 RGB 图像的每个像素可以写成三维向量 $(R,G,B)$ 。把所有像素当样本，令 $K$ 表示允许保留的代表色数量，K-means 中心就变成一张 $K$ 色调色板。每个像素用最近中心颜色替换，即完成向量量化。

把图像像素颜色聚类成有限调色板的颜色量化流程

颜色量化把每个像素映射到最近质心颜色，以更小调色板近似原图。

流程可以拆成四步：

读取形状为 $H\times W\times3$ 的图像，把它重排为 $(HW)\times3$ 的像素矩阵。若使用浮点数显示，通常把通道值缩放到 $[0,1]$ 。

python

import numpy as np
from PIL import Image
from sklearn.cluster import MiniBatchKMeans
 
image = np.asarray(Image.open("photo.png").convert("RGB"), dtype=np.float32)
h, w, channels = image.shape
pixels = image.reshape(-1, channels) / 255.0
 
quantizer = MiniBatchKMeans(
    n_clusters=16,

这个案例也暴露了 K-means 的假设。普通 RGB 欧氏距离不完全等同于人眼感知色差；像素被独立聚类，空间相邻关系没有进入目标；均值颜色可能不是原图中出现过的颜色。若对感知质量要求高，可以改用更合适的颜色空间或色差度量，并把结果交给真实编码器验证。

还有一个常见误区：把颜色从 1600 万种降到 16 种，不等于磁盘文件必然按比例缩小。实际体积取决于是否使用索引色、调色板开销、PNG/JPEG 等编码方式和图像内容。K-means 提供的是有限码本，压缩率必须对最终文件测量。

用 K-means 做 RGB 颜色量化时，K 个聚类中心共同形成一张 ____。

用户分群要从行动目标走回原始量纲

用户分群不是执行一次 fit_predict 就结束。一个可以交付的项目，至少要把数据窗口、特征口径、拟合流程、画像命名和线上使用连起来。

假设订阅产品想制定召回策略。我们先把任务写清楚：以过去 90 天仍有使用记录的用户为样本，按近 30 天活跃、内容消费和付费行为分群，目标是设计不同的消息频率与权益，而不是预测谁一定会续费。

特征要有时间边界和可行动含义

可以选择：

近 30 天活跃天数；
每次会话平均时长；
完播率；
距上次访问天数；
近 90 天付费金额；
内容类别分布的集中程度。

计数和金额常有长尾，可比较 log1p 变换；比例要检查分母过小；强相关的重复指标要删减。城市、设备等字段是否加入，取决于它们是不是我们希望定义相似性的依据，也要考虑公平性和隐私边界。

训练空间与解释空间要分开

模型在经过变换和标准化的特征上寻找中心，但画像应回到原始单位。我们关心的是“该簇近 30 天活跃中位数为 18 天”，而不是“标准分为 1.27”。均值容易受长尾影响，画像表可以同时给出样本数、中位数、四分位数和相对全体的差异。

用户分群从行动目标、特征、缩放、聚类到画像与回测的完整流程

可行动的用户分群必须回到原始量纲、真实人群和后续策略中验证。

一个简化流程如下：

python

import pandas as pd
from sklearn.cluster import KMeans
from sklearn.pipeline import Pipeline
from sklearn.preprocessing import StandardScaler
 
feature_cols = [
    "active_days_30d",
    "avg_session_minutes",
    "completion_rate",
    "days_since_last_visit",
    "spend_90d_log1p",
]
 
X = users[feature_cols].copy()
 
segmenter = Pipeline([

发布前要解决簇身份漂移

下个月重训后，“簇 0”可能对应上个月的“簇 3”。若下游系统直接把数字当固定人群，策略会串组。可以根据中心距离和画像相似度做新旧簇匹配，再发布稳定业务键；若匹配质量很差，应触发人工复核，而不是强行沿用名称。

最后用实验验证价值。例如在每个分群内随机分配两种召回策略，观察增量，而不是只比较不同群体天然存在的续费率。聚类描述的是行为结构，因果效果仍要靠对照实验。

用户分群模型重训后，cluster_id=0 的画像完全改变。最稳妥的处理是什么？

可复现实现要记录数据、参数和诊断证据

最后把实现压缩成一个可以复查的最小流程。重点不是追求最多指标，而是让另一个人能回答：用了哪批数据、怎样变换、为什么选这个 $K$ 、随机性如何控制、结果是否稳定。

python

from dataclasses import dataclass
import numpy as np
from sklearn.cluster import KMeans
from sklearn.metrics import silhouette_score
from sklearn.preprocessing import StandardScaler
 
 
@dataclass
class ClusterResult:
    labels: np.ndarray
    centers_scaled: np.ndarray
    inertia: float
    silhouette: float
    iterations: int
 
 
def fit_kmeans_checked(X, k, seed=

排错时按现象找原因

现象	优先检查	不要急着做什么
inertia 在自写实现中上升	分配与更新是否用同一批中心、距离计算和空簇处理	只增加最大迭代次数
不同种子结果差异很大	初始化次数、簇重叠、特征噪声、 $K$ 是否过大	挑一张最好看的图交付
一个簇占绝大多数样本	缩放、长尾、重复样本、密度差异	强行复制小簇样本平衡数量
很多只有一两个样本的小簇	离群点、 $K$ 、重复中心、任务是否需要噪声类	直接给小簇起业务名称
二维图很漂亮，线上效果很差	投影失真、时间漂移、画像不可行动	把可视化当成外部验证
重训后编号全部变化	标签置换与真实结构漂移要分开	直接按数字比较准确率

一份可交付记录至少包括

数据快照或查询版本、样本范围、时间窗口和排除规则；
特征定义、缺失值处理、变换、缩放器参数和距离选择；
算法版本、 $K$ 、初始化、n_init、停止条件和随机种子；
各候选 $K$ 的内部指标、逐簇规模与重启结果；
重采样或跨时间窗口的稳定性；
原始量纲画像、簇命名规则和新旧簇匹配方法；
失败样本、边界样本和下游验证结果。

走完这些步骤，我们得到的不是一句“数据天然分成四类”，而是一份条件明确的结论：在当前样本、表示和距离下，某个划分比候选方案更稳定，也更能支持指定任务。条件变化时，结论应当重新验证。这正是聚类从演示代码走向可靠分析的分界线。

为了让一次 K-means 分群可复现、可审查，至少应记录哪些内容？