分钟搞懂K-Means聚类：核心原理与Python实战代码

什么是聚类？

聚类（Clustering），说白了就是一种无监督学习方法。它的目标很直白：在没有标签的情况下，把数据样本按照相似程度分到不同的组里，让同一组内的样本尽可能相似，不同组之间差异尽可能大。常见的算法分好几类，比如基于划分的K-Means、基于层次的层次聚类，还有基于密度的DBSCAN、OPTICS等等。聚类这东西，应用范围相当广——用户分群、市场细分、文本主题发现、图像分割，都能看到它的身影。可以说，它是数据挖掘和探索性分析里一把相当趁手的工具。

K-Means 聚类

要说最经典的聚类算法，K-Means绝对排得上号。它属于基于划分的方法，思路非常直白：通过不断迭代优化目标函数，把数据分成K个簇，让同一个簇里的样本彼此靠得近，不同簇之间离得远。什么叫“簇”？其实就是一组同类的东西。打个比方，苹果、香蕉、橘子属于“水果”那一簇，彭于晏、刘亦菲和你们呢？属于“帅哥美女”那一簇——这么理解就容易多了。因为简单又高效，K-Means在数据挖掘、文本分析、图像分割这些领域里，几乎成了最常用的基础工具。

K-Means要优化的目标，是让簇内平方误差（Within-Cluster Sum of Squares，WCSS）最小化，公式长这样：

$J = \sum_{i=1}^{K} \sum_{x \in C_i} \| x - \mu_i \|^2$

其中：

• $K$ 是簇的个数
• $C_i$ 是第 $i$ 个簇
• $\mu_i$ 是簇 $C_i$ 的质心（也就均值向量）
• $\| x - \mu_i \|^2$ 是样本点与簇中心之间的欧式距离

核心思路说白了就是不断调整簇的划分和质心位置，直到目标函数不再明显下降——也就是收敛。

K-Means的算法流程其实相当好理解，一共就四步：

1. 初始化：随机选 $K$ 个样本作为初始质心。
2. 分配样本：把每个样本划分到离它最近的簇中心。
3. 更新质心：针对每个簇，计算所有样本的均值，作为新的质心。
4. 迭代：重复第2和第3步，直到簇划分不再变化，或者目标函数收敛。

光说理论可能有点抽象，下面拿Scikit-learn写一段示例代码，跑一遍就懂了：

from sklearn.datasets import make_blobs
from sklearn.cluster import KMeans
import matplotlib.pyplot as plt

# 1. 生成模拟数据
X, y = make_blobs(n_samples=300, centers=4, cluster_std=0.6, random_state=42)

# 2. 训练 K-Means
kmeans = KMeans(n_clusters=4, random_state=42, n_init=10)
y_pred = kmeans.fit_predict(X)

# 3. 可视化结果
plt.scatter(X[:, 0], X[:, 1], c=y_pred, s=30, cmap='viridis')
plt.scatter(kmeans.cluster_centers_[:, 0], kmeans.cluster_centers_[:, 1],
            c='red', marker='X', s=200, label='Centroids')
plt.legend()
plt.title("K-Means Clustering")
plt.show()

运行之后的效果图是这样的：不同颜色代表不同簇，红色的X标记就是聚类中心。

最后总结一下。K-Means作为经典的无监督学习方法，效率高、直觉性强，一直是最常用的聚类算法之一。不过在实际应用中，有几个地方得多留个心眼：簇数怎么选？初始点敏感怎么办？面对复杂分布的数据还能不能顶住？针对这些不足，后来研究者也提出了不少改进方案，比如K-Means++、Mini-Batch K-Means，让它在大规模机器学习任务中依然站得住脚。