3.5 人工智能通识：聚类算法简介

人工智能通识：聚类算法简介主讲人：严宣辉

教授福建师大计网学院什么是聚类分析？——让数据“物以类聚”核心思想：源于生活的分类智慧基于“物以类聚，人以群分”的朴素逻辑，让算法自动学习数据间的内在联系，从而掌握对复杂信息进行“分门别类”的能力。定义：无监督的自动分组任务一种无监督学习算法，它依据数据间的“相似性度量”，将数据集中的样本自动划分成多个不相交的子集（称为“簇”），无需人工标注。特征：高内聚，低耦合理想的聚类结果应满足：同一个簇内的样本相似度极高（高内聚），而不同簇之间的样本差异显著（低耦合），以此揭示数据的自然分布结构。常见的聚类算法家族01划分式聚类(Partitioning)将数据直接划分为K个互不重叠的簇，簇间相互独立。这是最直观、应用最广泛的聚类范式。代表算法：K-Means(经典标杆)02层次聚类(Hierarchical)构建嵌套的簇层次结构，形似“树状图”，能揭示数据内在的层级关系与演化过程。代表算法：AGNES(凝聚式),DIANA(分裂式)03基于密度的聚类(Density-based)依据数据点的局部密度分布来划分簇，能有效发现任意形状的聚类结果，并识别噪声点。代表算法：DBSCAN(抗噪能力强)04基于网格的聚类(Grid-based)将数据空间量化为有限的网格单元，基于网格单元的统计信息进行聚类，处理速度极快。代表算法：STING,CLIQUE(高维数据处理)💡今日聚焦：我们将重点深入解析K-Means和层次聚类，掌握这两种最经典、最实用的算法原理及其应用场景。Part2K-Means聚类算法详解深入解析无监督学习领域的经典划分式聚类模型，从核心原理、迭代步骤到应用场景，

全方位掌握这一数据挖掘与模式识别的基础算法。K-Means的核心思想——寻找“代表性”的中心生活化理解：抱团游戏就像一群人玩抱团游戏：先随机选几位“队长”作为初始中心，大家各自找最近的队长抱团；随后，每个团重新推选最“居中”的人当新队长，重复此过程直到队伍不再变动，聚类便达到了稳定状态。名字释义：K（数量）+Means（均值）K代表我们希望将数据划分成的簇（类别）数量；Means意味着每个簇的中心（质心）是由该簇内所有数据点的平均值计算而来，是簇的“代表点”。核心迭代：分配与更新①分配：计算距离，将每个数据点划分给距离最近的簇中心；

②更新：重新计算每个簇内所有点的均值，作为新的簇中心，让中心更精准。终止信号：中心稳定当簇中心的位置在连续迭代中不再发生显著变化（或变化小于设定阈值），说明数据的归属已经稳定，算法即可停止运行。K-Means的工作流程（四步法详解）01确定与初始化确定K值：依据业务场景或肘部法等评估指标，选定所需的聚类数量。随机选点：从原始数据集中随机抽取K个样本，作为初始的簇中心点。02分配数据点计算距离：计算每个数据点到所有K个簇中心的欧氏距离。就近归类：将每个数据点划分给距离最近的簇，形成K个临时分组。03更新簇中心均值计算：对每个簇内的所有数据点，计算其特征维度的平均值。中心迁移：将计算得到的平均值作为该簇新的中心，完成中心迭代。04迭代与停止循环执行：重复执行“分配数据点”与“更新中心”的核心步骤。终止条件：当簇中心位置不再发生显著变化，或达到预设的最大迭代次数时停止。核心价值：通过无监督的迭代优化，最大化簇内相似度与簇间差异性，实现数据的自动分组与结构发现。K-Means的优缺点分析01核心优势简单高效，易于实现原理直观易懂，计算复杂度低且收敛速度快，对大规模数据集具有良好的伸缩性，是工业界处理聚类问题的首选算法之一。理论成熟，应用场景丰富作为最经典的无监督学习算法，其衍生变种众多，广泛应用于图像分割、用户画像、文档聚类及异常检测等领域。02主要局限对预设K值极度敏感必须人为指定聚类数量，缺乏统一的确定标准，不当的K值会直接导致聚类结果偏离数据真实分布。依赖初始质心的选择随机初始化可能导致算法收敛到局部最优解而非全局最优，多次运行可能得到不同的聚类结果。难以处理非凸分布数据仅擅长发现球状或凸形簇，对于环形、带状或螺旋形等复杂形状的数据集，聚类效果往往不理想。受噪声和离群点干扰大算法基于均值计算簇中心，极端异常值会显著拉偏质心位置，导致正常数据的聚类边界产生偏移。K-Means的局限性：无法处理非凸形状图示：螺旋形流形数据——K-Means难以识别的典型非凸结构01.算法的天然局限：基于距离的硬性划分K-Means通过最小化簇内距离平方和来优化，这决定了它只能收敛到凸形（如球状）的簇边界。对于非凸、带状或嵌套分布的数据，其距离度量的机制使其无法捕捉数据的真实拓扑结构。02.典型失效：螺旋流形数据的误判面对交织的螺旋数据，K-Means会因“就近划分”的原则，错误地将不同螺旋臂上的样本归为同一簇，而忽略了数据点在流形上的连续归属关系，导致聚类结果完全偏离预期。03.破局之道：选择更适配的聚类算法针对此类复杂数据，建议使用基于密度的DBSCAN（能有效识别任意形状的簇并抗噪），或基于图论的谱聚类，它们能更好地处理流形数据，还原数据的真实聚类结构。Part3层次聚类算法详解层次聚类的两种策略：凝聚与分裂01凝聚式(Agglomerative)方式：“自下而上”的聚合策略，从单个样本开始，逐级合并最相似的簇。核心：每步合并距离最近的两个簇，直至所有样本归为一簇。代表算法为AGNES。02分裂式(Divisive)方式：“自上而下”的分解策略，从整体大簇开始，逐级分裂差异最大的子簇。核心：每步将最不一致的簇分裂，直至每个样本自成一簇。代表算法为DIANA。结果呈现：树状图(Dendrogram)结果通常以树状图展示，形似“数据族谱”。它不仅呈现最终聚类结果，更清晰揭示了从微观到宏观的层级归属关系，直观反映了数据点间的相似度演变与结构层次。如何衡量簇间距离？——单链、全链与组平均在层次聚类中，簇间距离的定义是算法的核心，它直接决定了聚类树的结构与最终的簇划分结果。以下是三种最经典的计算方式：单链(SingleLinkage)定义：两簇间任意两点的最短距离（最近邻）。特点：规则宽松，易形成链式延展结构；对异常值敏感，适合发现非椭圆形状的簇。全链(CompleteLinkage)定义：两簇间任意两点的最长距离（最远邻）。特点：标准严苛，倾向生成紧凑、高密度的团状簇；能有效分离密集小簇，抗噪声能力较强。组平均(GroupAverage)定义：两簇间所有点对距离的平均值。特点：兼顾局部与整体差异，是前两者的折中方案；鲁棒性强，受极端值影响小，是最常用的方法。💡选择建议：单链适合发现细长簇，全链适合发现紧密簇，而组平均则是大多数场景下的稳健之选。层次聚类的优缺点分析核心优势无需预设簇的数量

无需人为指定K值，可通过生成的树状图动态观察并确定最佳聚类数量，避免了因参数选择不当导致的偏差。层级关系深度可视化

生成的树状谱系图不仅给出聚类结果，更清晰展示了数据点间的亲疏远近与嵌套结构，有助于理解数据内在逻辑。适配复杂非球形簇

相比K-Means，能更好地识别非凸、带状或不规则形状的自然簇，对数据分布的适应性更强。主要局限计算复杂度高，效率瓶颈明显

算法时间复杂度为O(n³)，在处理大规模数据集时，其运行速度远低于K-Means等划分式算法，难以应用于实时数据分析场景。层级合并不可逆，容错性差

采用贪心策略进行合并，早期阶段的错误聚类决策无法在后续步骤中修正，且对噪声点和异常值较为敏感，容易影响全局结果。Part04聚类算法的精彩应用聚类算法的精彩应用01商业领域：客户分群与精准营销应用：基于消费习惯、浏览轨迹等行为数据，将用户自动划分为高净值、价格敏感等群体。

价值：实现千人千面的营销策略，显著提升营销转化率与ROI，降低获客成本。02科学研究：生物信息与物种分类应用：利用基因序列数据构建进化树，分析物种间的遗传距离与亲缘关系。

价值：揭示生物演化规律，助力新物种发现，为生态保护与医学研究提供科学依据。03计算机视觉：智能图像分割应用：基