机器学习与深度学习 / 系统课时
理解聚类任务
理解聚类任务
学习目标
- 理解聚类在无标签数据中的目标
- 区分聚类结果与真实类别
- 判断业务问题是否适合聚类
聚类解决什么问题
聚类在没有目标标签的情况下,根据样本之间的相似性把数据分成若干组。组内样本尽量相似,组间样本尽量不同。它常用于用户分群、商品分组、文档主题发现、异常点探索和数据结构可视化。
聚类不是自动发现“正确答案”。算法只依据输入特征和距离定义形成结构,得到的簇需要业务人员解释、命名和验证。
聚类与分类的区别
分类任务有已知标签,模型学习从特征到标签的映射,并可在测试集上计算准确率、召回率等指标。聚类没有预先给定的标签,簇编号 0、1、2 只是算法生成的标识,没有天然语义,也不存在大小顺序。
即使数据中存在真实类别,聚类也不一定恢复这些类别。算法可能按照年龄、消费规模或地理距离形成另一种结构,这取决于特征、缩放方式和相似度定义。
先定义相似性
数值特征常使用欧氏距离,但它对量纲敏感。收入从 3000 到 30000 的变化可能完全压过购买次数从 1 到 20 的变化。文本、集合或类别数据则可能需要余弦相似度、Jaccard 距离或专门算法。
因此聚类前最重要的问题不是“选几个簇”,而是“哪些特征代表业务上的相似,以及这些特征应如何缩放和加权”。
适用性判断
适合聚类的任务通常满足:没有稳定标签;希望探索数据结构;结果可由业务规则或后续实验验证;特征能够表达需要的相似性。若目标是预测明确结果,例如是否流失、是否违约,应优先考虑监督学习。
聚类结果还要具备可行动性。若分出的用户群无法对应差异化运营策略,即使轮廓系数很高,也不一定有业务价值。
基本工作流
一个可靠流程包括:明确分群目的;选择和清洗特征;缩放数值;尝试多个算法和参数;使用内部指标检查结构;解释每个簇;验证稳定性;设计业务实验。最终交付不只是簇标签,还应包含群体画像、样本规模和可执行策略。
按自己的节奏,确认真正理解。