2025年聚类算法性能评估习题(含答案与解析)

2025年聚类算法性能评估习题(含答案与解析)一、单项选择题（每题3分，共15分）1.以下关于聚类算法性能评估指标的描述中，错误的是（）。A.轮廓系数（SilhouetteCoefficient）取值范围为[-1,1]，值越大表示聚类效果越好B.Calinski-Harabasz指数（CH指数）通过类间离散度与类内离散度的比值衡量聚类质量，值越小越好C.Davies-Bouldin指数（DB指数）计算各簇与其最相似簇的相似度平均值，值越小表示聚类效果越好D.对于有标签的数据集，调整兰德指数（ARI）可以衡量聚类结果与真实标签的一致性2.针对高维稀疏数据（如文本数据），以下最不适合作为聚类评估指标的是（）。A.轮廓系数（基于欧氏距离）B.归一化互信息（NMI）C.均方轮廓宽度D.调整兰德指数（ARI）3.某聚类任务中，使用K-means算法得到3个簇，计算其轮廓系数时，某样本点i的a(i)=0.4（簇内平均距离），b(i)=0.6（最近簇平均距离），则该点的轮廓系数s(i)为（）。A.0.33B.0.25C.0.5D.0.174.以下场景中，适合使用外部评估指标的是（）。A.探索未知用户行为模式的聚类任务（无真实标签）B.验证聚类结果与已知客户分群标签的一致性C.比较DBSCAN与层次聚类在无标签数据上的性能D.优化K-means的簇数K（无先验标签）5.对于非凸形状的簇（如环形、月牙形），以下聚类算法与评估指标的组合中，最可能产生误判的是（）。A.DBSCAN+轮廓系数（基于欧氏距离）B.K-means+DB指数C.层次聚类（WARD法）+CH指数D.谱聚类+NMI（已知真实标签）二、填空题（每空2分，共20分）1.轮廓系数的计算依赖两个关键值：a(i)表示样本i与______的平均距离，b(i)表示样本i与______的平均距离。2.CH指数的计算公式为______，其本质是衡量______与______的比值。3.外部评估指标如ARI和NMI需要利用______信息，其中ARI通过______校正了随机聚类的影响。4.对于不平衡聚类任务（如少数簇包含大量样本，多数簇样本稀疏），使用______（填指标）可能高估聚类效果，因为其对簇大小敏感；而______（填指标）更鲁棒，因为其基于互信息的对称性。5.在流数据聚类中，评估指标需考虑______（如时间序列上的稳定性）和______（如新增数据对旧簇的影响）。三、简答题（每题10分，共30分）1.简述内部评估指标与外部评估指标的核心区别，并各举2例说明适用场景。2.分析DBSCAN算法在高维数据中使用轮廓系数评估时可能存在的问题，并提出改进思路。3.某电商平台希望对用户行为数据（含“购买频次”“客单价”“复购间隔”3个维度）进行聚类，已知真实分群标签（高价值/中价值/低价值）。请设计一套完整的性能评估流程，包括指标选择、参数调优与结果解读。四、综合题（共35分）背景：某生物信息实验室收集了1000个细胞样本的基因表达数据（10维），真实标签为3种细胞类型（A/B/C）。研究人员使用K-means（K=3）和DBSCAN（ε=0.8，MinPts=5）分别聚类，得到以下结果：算法轮廓系数均值CH指数DB指数ARINMIK-means0.421200.850.610.68DBSCAN0.35851.20.730.75附加信息：真实数据中，类型A与B的样本在低维投影（t-SNE）下呈现重叠的椭圆分布，类型C为孤立的球状分布。K-means的簇中心初始化采用k-means++，迭代至收敛；DBSCAN的ε通过k-距离图（k=5）确定。问题：（1）结合指标与背景信息，分析两种算法在该任务上的表现差异（15分）。（2）解释为何DBSCAN的ARI和NMI更高，但轮廓系数、CH指数更低（10分）。（3）若实验室希望优先识别类型C（占比5%），需调整评估指标吗？请说明理由并推荐改进方法（10分）。答案与解析一、单项选择题1.答案：B解析：CH指数的计算公式为（类间离散度/类内离散度）×(n-K)/(K-1)，值越大表示类间差异大、类内紧凑，因此值越大越好。B选项描述错误。2.答案：A解析：高维稀疏数据中，欧氏距离的区分度下降（“维度灾难”），基于欧氏距离的轮廓系数无法准确反映样本间真实相似性。NMI、ARI依赖标签或互信息，与距离无关；均方轮廓宽度可调整距离度量（如余弦相似度），因此A最不适合。3.答案：D解析：轮廓系数公式为s(i)=(b(i)-a(i))/max(a(i),b(i))。本题中b(i)=0.6>a(i)=0.4，因此s(i)=(0.6-0.4)/0.6≈0.33？不，计算错误！正确计算应为：max(a(i),b(i))=0.6，分子是0.6-0.4=0.2，因此0.2/0.6≈0.33？但选项中无0.33？原题可能设置错误？不，原题选项A是0.33，可能我哪里错了？哦，原题选项A是0.33，正确。但用户提供的选项中第一题选项A是轮廓系数范围正确，B错误，所以第一题选B。第三题正确计算：s(i)=(b(i)-a(i))/max(a(i),b(i))=(0.6-0.4)/0.6≈0.33，对应选项A。但用户给出的选项中第三题选项A是0.33，所以正确答案是A？可能我之前误判，需重新核对。（更正：第三题正确计算为s(i)=(0.6-0.4)/max(0.4,0.6)=0.2/0.6≈0.33，对应选项A。原题选项A存在，因此正确答案为A。）4.答案：B解析：外部评估需要真实标签，B场景中已知客户分群标签，可使用ARI、NMI等外部指标；A、C、D均无真实标签，需内部指标。5.答案：B解析：K-means假设簇为凸球形，对非凸形状簇效果差；DB指数基于簇中心距离，若簇为非凸形，簇中心无法代表簇的真实分布，导致DB指数低估聚类质量（或误判）。其他选项中，DBSCAN适合非凸簇，谱聚类可处理非凸结构，因此B最可能误判。二、填空题1.同一簇内其他样本；最近邻簇（非自身所在簇）的样本2.(类间离散度/类内离散度)×(n-K)/(K-1)；类间分离度；类内紧凑度3.真实标签；兰德指数（RI）的期望值（或“随机分配的期望匹配数”）4.兰德指数（RI）；归一化互信息（NMI）5.时间一致性；增量适应性三、简答题1.核心区别：内部评估仅依赖聚类结果本身（如样本间距离），无需真实标签；外部评估需利用真实标签，衡量聚类结果与标签的一致性。内部指标示例：轮廓系数（无标签的探索性聚类）、CH指数（优化K-means的簇数K）。外部指标示例：ARI（验证聚类结果与已知客户分群的匹配度）、NMI（比较不同算法在标准数据集上的表现）。2.问题：高维数据中，欧氏距离的区分度下降（“维度灾难”），导致a(i)和b(i)无法准确反映样本的真实簇内/簇间关系；DBSCAN基于密度定义簇，而轮廓系数基于距离，可能低估非凸/低密度簇的质量。改进思路：①使用适合高维的距离度量（如余弦相似度、JS散度）；②结合密度相关指标（如Dunn指数，基于簇内最小距离与簇间最大距离的比值）；③降维后计算轮廓系数（如先通过PCA或UMAP降维，再评估）。3.评估流程设计：①数据预处理：标准化“购买频次”“客单价”“复购间隔”（消除量纲影响）；②参数调优：对K-means，通过轮廓系数或CH指数确定最优K（候选K=2-5）；对DBSCAN，通过k-距离图（k=样本量平方根）确定ε；③指标选择：内部指标：轮廓系数（衡量簇内紧凑性与簇间分离度）、DB指数（补充验证）；外部指标：ARI（衡量与真实标签的一致性）、NMI（对称性更强，避免簇大小影响）；④结果解读：若ARI>0.6且轮廓系数>0.5，认为聚类有效；结合业务视角，分析各簇的用户行为特征（如高价值簇的“购买频次高、客单价高、复购间隔短”），验证是否符合业务预期。四、综合题（1）表现差异分析：K-means：轮廓系数（0.42）和CH指数（120）较高，说明其簇内较紧凑、类间分离度好，这与类型C的球状分布匹配（K-means擅长球形簇）；但ARI（0.61）和NMI（0.68）较低，因类型A/B重叠的椭圆分布不符合K-means的凸球假设，导致A/B样本被错误划分。DBSCAN：ARI（0.73）和NMI（0.75）更高，说明其更接近真实标签，这是因为DBSCAN基于密度，能更好区分重叠的A/B簇（椭圆分布可能对应不同密度区域）；但轮廓系数（0.35）和CH指数（85）较低，因DBSCAN允许非凸形状，簇内平均距离（a(i)）可能更大，且CH指数依赖簇中心（DBSCAN无显式中心），导致指标低估。（2）指标冲突的原因：ARI/NMI依赖真实标签，直接衡量聚类结果与细胞类型的匹配度。DBSCAN通过密度识别出A/B的真实边界（尽管形状非凸），因此标签匹配更好。轮廓系数/CH指数基于距离和簇中心：K-means的球形簇使簇内距离更小（a(i)低）、簇间距离更大（b(i)高），因此轮廓系数更高；CH指数的类间离散度（基于簇中心距离）在球形簇中更显著。而DBSCAN的非凸簇导致簇内平均距离（a(i)）增大，且无显式簇中心，类间离散度计算不准确，因此CH指数较低。（3）调整评估指标的必要性：需要调整。因类型C占比仅5%（少数类），传统指标（如ARI、轮廓系数）可能因多数类（A/B）的主导而忽略C的识别效果。改进方法：①引入针对少数类