聚类方法试卷及分析

聚类方法试卷及分析一、单项选择题（共10题，每题1分，共10分）下列关于聚类核心目标的表述，正确的是A.聚类的核心目标是将相似度高的样本划分到同一个组别中B.聚类的核心目标是为每个样本标注预先定义好的类别标签C.聚类的核心目标是预测样本对应的连续型数值结果D.聚类的核心目标是筛选出对建模最有价值的特征变量答案：A解析：聚类属于无监督学习算法，核心逻辑是基于样本特征的相似度完成分组，因此A选项正确。B选项是监督学习中分类任务的目标，C选项是监督学习中回归任务的目标，D选项是特征工程中特征选择的目标，三者均不符合聚类的定义。按照聚类原理分类，K-means算法属于下列哪一类聚类方法A.层次聚类B.密度聚类C.划分聚类D.网格聚类答案：C解析：划分聚类的核心逻辑是将样本划分为K个互斥的簇，通过迭代优化簇的划分结果，K-means是最典型的划分聚类算法，因此C选项正确。A选项层次聚类是通过合并或拆分簇得到层级结构，B选项密度聚类是基于样本密度的连通性划分簇，D选项网格聚类是基于空间网格单元完成聚类，三者均不符合K-means的原理。下列关于K-means算法特点的表述，正确的是A.K-means算法对数据中的噪声和异常点不敏感B.K-means算法的初始中心选择不会影响最终聚类结果C.K-means算法使用前需要预先指定聚类数量KD.K-means算法可以识别任意形状的簇答案：C解析：K-means算法的核心前提是需要提前确定聚类的组别数量K，因此C选项正确。A选项错误，K-means用均值作为簇中心，异常点会大幅拉偏均值，因此对噪声敏感；B选项错误，K-means是贪心迭代算法，不同初始中心可能收敛到不同的局部最优解；D选项错误，K-means只能识别球状、椭球状的凸簇，无法识别非凸形状的簇。DBSCAN算法的两个核心输入参数是邻域半径ε和下列哪一项A.邻域内最小样本数minPtsB.最大迭代次数C.聚类数量KD.特征权重系数答案：A解析：DBSCAN是密度聚类的代表算法，核心参数是邻域半径ε和邻域内最小样本数minPts，两个参数共同定义了密度的判断标准，因此A选项正确。B选项是迭代类算法的通用参数，不是DBSCAN的核心参数；C选项是K-means等划分聚类的参数，DBSCAN不需要提前指定K；D选项属于特征工程的调整参数，和DBSCAN原理无关。自底向上的层次聚类又被称为A.凝聚式层次聚类B.分裂式层次聚类C.密度峰值聚类D.谱聚类答案：A解析：凝聚式层次聚类的逻辑是初始时每个样本单独作为一个簇，每次合并距离最近的两个簇，属于自底向上的聚合过程，因此A选项正确。B选项分裂式层次聚类是自顶向下拆分簇的过程；C选项密度峰值聚类属于密度类聚类，D选项谱聚类属于基于图论的聚类，二者都不属于层次聚类范畴。下列聚类评价指标中，属于外部评价指标的是A.轮廓系数B.兰德指数C.戴维森堡丁指数D.Dunn指数答案：B解析：外部评价指标需要依赖样本的真实标签，对比聚类结果和真实分类的一致性，兰德指数的计算需要用到真实标签，因此B选项正确。A、C、D三个选项都属于内部评价指标，仅基于聚类结果的簇内相似度、簇间差异度计算，不需要真实标签。K-means算法默认使用的距离度量方式是A.欧氏距离B.余弦距离C.曼哈顿距离D.汉明距离答案：A解析：欧氏距离可以衡量连续特征空间中两个样本的直线距离，和K-means最小化簇内平方和的目标匹配，因此是K-means默认的距离度量，A选项正确。B选项余弦距离适合衡量高维向量的方向相似度，C选项曼哈顿距离适合衡量街区距离，D选项汉明距离适合离散特征，三者都不是K-means的默认度量。下列点的类型中，不属于DBSCAN算法定义的类别是A.核心点B.边界点C.噪声点D.中心点答案：D解析：DBSCAN将样本分为三类：核心点、边界点、噪声点，中心点是K-means等划分聚类中定义的簇中心，不属于DBSCAN的点类型，因此D选项正确。下列聚类算法中，使用前不需要预先指定聚类数量K的是A.K-meansB.DBSCANC.K-medoidsD.高斯混合聚类答案：B解析：DBSCAN基于密度连通性自动识别簇的数量，不需要提前指定K，因此B选项正确。A、C、D三个选项的算法都需要预先指定聚类的数量，才能完成后续的迭代计算。谱聚类算法的核心理论基础是A.图论B.概率论C.密度理论D.层次理论答案：A解析：谱聚类将样本看作无向图的节点，样本相似度对应边的权重，通过切图最小化子图间的权重、最大化子图内的权重完成聚类，核心基础是图论，因此A选项正确。B选项是高斯混合聚类的基础，C选项是DBSCAN等密度聚类的基础，D选项是层次聚类的基础。二、多项选择题（共10题，每题2分，共20分）下列算法中，属于无监督学习范畴的有A.聚类算法B.分类算法C.降维算法D.回归算法答案：AC解析：无监督学习的核心特点是训练时不需要带标签的样本，聚类和降维都属于典型的无监督学习方法，因此A、C选项正确。分类和回归都属于监督学习，需要依赖带标签的训练样本完成建模，因此B、D选项错误。下列场景中，适合使用K-means算法的有A.待聚类的样本特征全部为连续型数值B.数据中的簇形状近似球状或椭球状C.数据经过清洗，噪声和异常点占比很低D.待识别的簇为环形、条状等非凸形状答案：ABC解析：K-means基于欧氏距离计算，适合连续特征，只能识别凸形状的簇，且对噪声敏感，因此A、B、C三个场景都符合K-means的适用条件。D选项中非凸形状的簇无法被K-means识别，适合用DBSCAN等密度聚类算法，因此D选项错误。下列属于DBSCAN算法优点的有A.不需要预先指定聚类数量KB.可以识别任意形状的簇C.对数据中的噪声和异常点不敏感D.适合处理千万级以上的超大样本数据集答案：ABC解析：DBSCAN基于密度自动确定簇数量，能识别非凸簇，且可以直接将低密度的异常点判定为噪声，因此A、B、C选项正确。D选项错误，DBSCAN需要计算每个样本的邻域样本数，时间复杂度较高，处理超大样本时效率远低于K-means。下列聚类评价指标中，属于内部评价指标的有A.轮廓系数B.兰德指数C.戴维森堡丁指数D.互信息答案：AC解析：内部评价指标不需要依赖样本真实标签，仅基于聚类结果本身的特征计算，轮廓系数衡量样本簇内相似度和簇间差异度，戴维森堡丁指数衡量簇的平均紧致度，二者都属于内部指标，因此A、C选项正确。兰德指数和互信息都需要对比聚类结果和真实标签的一致性，属于外部评价指标，因此B、D选项错误。下列属于层次聚类算法缺点的有A.计算复杂度较高，不适合超大样本B.合并或拆分的决策一旦执行无法回溯C.对数据中的噪声和异常点比较敏感D.使用前需要预先指定聚类数量K答案：ABC解析：层次聚类每次合并/拆分都需要计算所有簇的距离，复杂度高，且决策不可回溯，少量异常点就可能导致合并方向错误，因此A、B、C选项正确。D选项错误，层次聚类可以生成完整的簇树结构，不需要提前指定K，用户可以根据需求选择任意层级的划分结果。和K-means算法相比，K-medoids算法的优点有A.对噪声和异常点的鲁棒性更强B.迭代速度更快，计算成本更低C.聚类中心为真实存在的样本点，可解释性更强D.对高维特征的适配性更优答案：AC解析：K-medoids选择簇内距离其他样本最近的真实样本作为中心，而不是用均值虚拟点，因此不受异常点的拉偏影响，鲁棒性更强，且中心是真实样本，业务解释性更好，因此A、C选项正确。B选项错误，K-medoids每次迭代需要重新计算所有样本到中心的距离和，速度远慢于K-means；D选项错误，K-medoids依然基于距离计算，高维特征下距离区分度下降的问题依然存在，适配性没有明显优势。下列关于高斯混合聚类（GMM）的表述，正确的有A.属于基于模型的聚类方法B.属于软聚类方法，可输出样本归属每个簇的概率C.使用前需要预先指定聚类数量KD.对噪声和异常点的鲁棒性优于K-means答案：ABC解析：高斯混合聚类基于高斯分布模型拟合每个簇，属于模型类聚类，是软聚类方法，输出样本归属各簇的概率，需要提前指定K个高斯分布的数量，因此A、B、C选项正确。D选项错误，高斯混合聚类的参数拟合依赖均值和协方差，异常点会大幅影响分布参数，鲁棒性弱于K-means。下列距离度量方式中，适合用于连续型特征聚类的有A.欧氏距离B.曼哈顿距离C.余弦距离D.汉明距离答案：ABC解析：欧氏距离、曼哈顿距离都可以衡量连续特征的数值差异，余弦距离可以衡量连续特征向量的方向差异，三者都适合连续特征聚类，因此A、B、C选项正确。D选项汉明距离用于衡量离散特征的差异，通常用于二值特征的相似度计算，不适合连续特征。下列属于谱聚类算法优点的有A.可以识别非凸形状的簇B.对高维数据的适应性优于K-meansC.不需要计算样本之间的相似度D.计算复杂度低于K-means答案：AB解析：谱聚类基于图切分逻辑，不需要假设簇是凸的，能识别非凸簇，且通过降维映射到低维空间，高维场景下效果优于直接用欧氏距离的K-means，因此A、B选项正确。C选项错误，谱聚类需要首先计算样本之间的相似度矩阵；D选项错误，谱聚类需要做特征值分解，计算复杂度远高于K-means。下列关于聚类方法的表述，错误的有A.聚类结果的外部评价不需要用到样本的真实标签B.DBSCAN算法可以很好地处理不同密度的簇C.轮廓系数的取值范围是[-1,1]，值越大聚类效果越好D.K-means算法的迭代一定会收敛到全局最优解答案：ABD解析：A选项错误，外部评价的核心就是对比聚类结果和真实标签的一致性，必须用到真实标签；B选项错误，DBSCAN的密度判断标准是统一的，当簇之间密度差异较大时，无法同时识别高密度簇和低密度簇；D选项错误，K-means是贪心迭代算法，通常只能收敛到局部最优解，不一定能得到全局最优。C选项表述正确，轮廓系数越接近1说明簇内相似度越高、簇间差异越大，聚类效果越好。三、判断题（共10题，每题1分，共10分）聚类属于监督学习方法，训练过程不需要预先知道样本的标签。答案：错误解析：聚类属于无监督学习方法，监督学习的训练过程必须依赖带标签的样本，聚类的训练过程不需要样本标签，仅基于样本特征的相似度完成分组。K-means算法的迭代终止条件可以是聚类中心不再发生变化，或达到预先设置的最大迭代次数。答案：正确解析：两种都是K-means常用的迭代终止条件，满足任意一种即可停止迭代，既保证聚类效果收敛，也避免无限迭代浪费计算资源。DBSCAN算法可以直接识别数据中的噪声点和异常点。答案：正确解析：DBSCAN中，既不属于核心点、也不在任何核心点邻域范围内的样本会被直接判定为噪声点，对应的通常就是和其他样本差异较大的异常点。凝聚式层次聚类在每次迭代时，都会选择距离最远的两个簇进行合并。答案：错误解析：凝聚式层次聚类的逻辑是选择距离最近的两个簇进行合并，逐步向上聚合，分裂式层次聚类才会选择距离最远的两个子簇进行拆分。样本的轮廓系数越接近1，说明该样本所在的簇内相似度越高，和其他簇的差异越大。答案：正确解析：轮廓系数的计算公式为（样本到其他簇的平均距离样本到所在簇其他样本的平均距离）/二者的最大值，因此越接近1说明聚类效果越好，接近-1说明样本被错误划分到当前簇。K-medoids算法选择的聚类中心是数据中真实存在的样本点。答案：正确解析：和K-means用簇内样本的均值作为虚拟中心不同，K-medoids选择簇内距离其他样本最近的真实样本作为中心，因此聚类中心一定是数据集中存在的样本。外部评价指标中的兰德指数取值范围是[0,1]，值越接近0说明聚类结果和真实标签的一致性越高。答案：错误解析：兰德指数衡量聚类结果和真实标签中样本对划分一致的比例，取值范围是[0,1]，越接近1说明一致性越高，越接近0说明一致性越低。高斯混合聚类是硬聚类方法，每个样本只能归属到一个确定的簇中。答案：错误解析：高斯混合聚类是软聚类方法，会输出每个样本属于各个簇的概率，用户可以选择按最大概率归属到某一个簇，也可以保留概率结果用于后续分析。聚类的核心目标是使得簇内样本的相似度尽可能高，簇间样本的相似度尽可能低。答案：正确解析：这是所有聚类算法的核心设计目标，无论哪种原理的聚类算法，都是围绕最大化簇内相似度、最大化簇间差异度的目标优化的。谱聚类算法对样本的分布没有任何假设，适合所有类型的数据集。答案：错误解析：谱聚类依赖相似度矩阵的构建，如果特征噪声大、样本量过大，相似度矩阵的计算成本会非常高，且效果会大幅下降，并不是适合所有类型的数据集。四、简答题（共5题，每题6分，共30分）简述K-means算法的主要执行步骤。答案要点：第一，确定聚类数量K，从样本中随机选择K个样本作为初始聚类中心；第二，计算所有样本到每个聚类中心的距离，将每个样本分配到距离最近的中心对应的簇中；第三，重新计算每个簇内所有样本的均值，将该均值作为新的聚类中心；第四，判断是否满足迭代终止条件（聚类中心不再变化或达到最大迭代次数），如果不满足则返回第二步继续迭代，满足则输出最终聚类结果。解析：四个核心步骤各占1.5分，共计6分。需要注意初始K的选择是K-means的前提，终止条件的两种类型都是考核的核心重点，考生需要明确迭代的循环逻辑。简述DBSCAN算法中核心点、边界点、噪声点的定义。答案要点：第一，核心点指的是在给定的邻域半径ε内，包含的样本数量大于等于最小邻域样本数minPts的样本点；第二，边界点指的是位于某个核心点的邻域范围内，但自身邻域内的样本数量小于minPts的样本点；第三，噪声点指的是既不属于核心点，也不在任何核心点的邻域范围内的样本点。解析：三个定义各占2分，共计6分。三类点的判断逻辑是层层递进的，核心点是基础，边界点的判定依赖核心点的存在，噪声点是排除前两类之后的剩余样本，考生需要明确三者的逻辑关联。简述聚类评价中内部评价和外部评价的区别。答案要点：第一，评价依据不同，内部评价不需要用到样本的真实标签，仅根据聚类结果的簇内相似度、簇间差异度评价效果，外部评价需要用到样本的真实标签，对比聚类结果和真实分类的一致性；第二，适用场景不同，内部评价适合没有真实标签的实际业务场景，用于筛选最优的聚类参数和算法，外部评价适合算法研发、测试阶段，在有标注数据的情况下验证算法的准确性；第三，常用指标不同，内部评价常用指标包括轮廓系数、戴维森堡丁指数、Dunn指数等，外部评价常用指标包括兰德指数、互信息、调整兰德指数等。解析：三个要点各占2分，共计6分。两类评价的核心差异是是否需要真实标签，这也是实际应用中选择评价方式的核心依据，考生需要结合应用场景理解二者的区别。简述层次聚类的两种主要类型及核心逻辑。答案要点：第一，凝聚式层次聚类，属于自底向上的聚类方式，初始时每个样本单独作为一个簇，每次迭代选择距离最近的两个簇进行合并，直到所有样本合并为一个簇或者满足终止条件为止；第二，分裂式层次聚类，属于自顶向下的聚类方式，初始时所有样本属于同一个簇，每次迭代选择一个簇拆分为两个距离最远的子簇，直到每个簇仅包含一个样本或者满足终止条件为止。解析：两个类型各占3分，共计6分。实际应用中凝聚式层次聚类的使用频率更高，考生需要明确二者的核心差异是初始状态和合并/拆分的逻辑。简述K-means算法的主要缺点。答案要点：第一，需要预先指定聚类数量K，而实际业务场景中K的取值往往很难确定；第二，对初始聚类中心的选择非常敏感，不同的初始中心可能得到完全不同的聚类结果，容易收敛到局部最优解；第三，对噪声和异常点非常敏感，异常点会拉高簇的均值，导致中心偏移，影响聚类效果；第四，仅能发现球状或椭球状的凸簇，无法识别非凸形状、密度差异大的簇。解析：答对任意三个要点即可得满分6分，每个要点2分。这几个缺点也是K-means改进算法主要针对的优化方向，考生可以结合改进方案加深理解。五、论述题（共3题，每题10分，共30分）结合实际业务场景，对比K-means和DBSCAN两种聚类算法的适用场景差异。答案：核心论点：K-means和DBSCAN是两类不同原理的聚类算法，适用场景的差异核心源于算法的原理假设不同，实际应用中需要根据数据特征和业务目标选择合适的算法。论据1：K-means属于划分聚类，假设簇是凸的、密度均匀的，适合三类场景：一是数据质量较好、噪声和异常点少的场景，比如用户消费行为聚类，筛选掉异常的大额消费用户之后，用K-means可以快速将用户分为不同消费层级的群体；二是对聚类效率要求高的场景，比如百万级以上的用户画像聚类，K-means的计算复杂度远低于DBSCAN，能快速输出结果；三是业务上有明确的聚类数量要求的场景，比如需要把商品分为固定的5个价格带，提前指定K=5即可满足需求。论据2：DBSCAN属于密度聚类，假设簇是密度相连的区域，适合三类场景：一是簇的形状不规则的场景，比如地理位置聚类，同一个商圈的用户地理位置可能是环形、条状等非凸形状，K-means无法正确识别，DBSCAN可以根据密度自动聚合同一商圈的用户；二是需要识别噪声点的场景，比如信贷欺诈用户识别，异常的欺诈用户行为和普通用户差异大，会被DBSCAN判定为噪声点，直接筛选出来；三是无法提前确定聚类数量的场景，比如社交平台的兴趣群体聚类，无法提前知道有多少类兴趣群体，DBSCAN可以根据密度自动确定簇的数量。结论：实际应用中可以先对数据做探索性分析，查看数据的分布、噪声情况以及业务是否有聚类数量要求，再选择合适的算法，也可以结合两种算法的优势，比如先用DBSCAN确定合理的K值，再用K-means做聚类提升效率。解析：论点2分，两个论据各3分，结论2分，共计10分。实例均贴合实际业务场景，考生需要明确两种算法的优劣势对应的适用场景，避免脱离实际空谈理论。论述聚类方法在用户画像体系建设中的应用价值和落地流程。答案：核心论点：聚类是用户画像体系中用户分群的核心方法，能够帮助企业实现精细化运营，落地需要遵循数据准备、算法选择、迭代优化、业务落地四个核心环节。应用价值：一是替代人工规则分群，降低运营成本，传统的用户分群需要运营人员手动设定规则，比如消费满多少、活跃度多少，规则复杂且覆盖不全，聚类可以自动挖掘用户的共性特征，得到更贴合实际的用户群体；二是挖掘潜在的用户群体，发现业务机会，比如聚类可以发现之前没有被关注到的“高消费低活跃度”用户群体，运营可以针对性做唤醒活动，提升营收；三是为个性化推荐、精准营销提供基础，每个聚类得到的用户群体有相似的特征，可以针对性推送对应的内容和活动，提升转化率。落地流程：第一步是数据准备，清洗用户的行为、属性、消费等特征，做归一化、离散化等预处理，去除异常值和缺失值过高的特征；第二步是算法选择和参数调优，根据数据特征选择合适的聚类算法，比如特征维度高可以先做降维，再用K-means或者谱聚类，通过轮廓系数等内部指标调整参数，得到最优的聚类结果；第三步是结果验证，结合业务经验给每个聚类得到的群体打标签，比如“高价值活跃用户”“沉睡潜力用户”，验证群体的特征是否符合业务认知，必要时调整特征和参数重新聚类；第四步是业务落地，将分群结果应用到营销活动、个性化推荐等场景，跟踪不同群体的活动效果，持续优化聚类模型。结论：聚类在用户画像中的应用不是一劳永逸的，需要根据用户行为的变化定期更新模型，保证分群的有效性，才能持续为业务创造价值。解析：论点2分，应用价值3分，落地流程4分，结论1