机器学习：K-means 聚类与 DBSCAN 聚类

无监督学习是机器学习的两大支柱之一。如果说分类是"照着答案对号入座"（有监督），那么聚类就是"没有答案自己找规律"（无监督）。本文用同一份啤酒数据集，对比聚类两大流派——基于划分的 K-means 与基于密度的 DBSCAN，一次讲透它们的原理、代码、调参与差异。

---

一、引言：为什么需要聚类？

1.1 从"有答案"到"没答案"

前面学过的逻辑回归、决策树、随机森林都是有监督学习：训练时每条数据都带标签（如"是否违约"“是否垃圾邮件”），模型学着把特征映射到标签。

但现实中很多数据没有标签：

场景	数据	问题
电商用户分群	用户的浏览、购买、消费行为	怎么把百万用户分成几类做精准营销？
啤酒市场调研	20 种啤酒的热量、钠、酒精、成本	怎么把啤酒分成几类定位市场？
图像分割	像素的 RGB 值	怎么把图像分成前景背景几个区域？
异常检测	服务器日志、交易流水	怎么找出"与众不同"的异常点？

这些问题的共性：没有标准答案，要靠算法自己发现数据的内在结构——这就是聚类（Clustering），无监督学习最典型的任务。

1.2 聚类的目标

聚类要回答一个问题：给定 N 个样本，把它们分成 K 组，使组内相似、组间差异。

通俗类比：把一筐混合的水果按"长得像"分堆。没人提前告诉你"这是苹果那是梨"，你自己看着外形、颜色、气味把相似的放一起——这就是聚类。

聚类的核心是"相似度"，但"怎么算相似、怎么分组"催生了不同流派。本文对比两大流派：

• K-means：基于划分——“你离哪个中心最近就归哪类”（物以类聚，以中心为代表）
• DBSCAN：基于密度——“扎堆的就是一类，落单的就是噪声”（人以群分，以密度为核心）

---

二、K-means 算法详解：基于划分的聚类

2.1 核心思想

K-means（K 均值）的名字就点明了核心：K 个簇（类）+ 均值（中心）。

它的假设很简单：每个簇可以用一个"中心点（质心）"代表，样本离哪个质心最近，就属于哪个簇。

通俗类比：在操场撒 20 个学生，要分成 3 组做游戏。怎么分？先随便站 3 个队长（初始质心），每个学生走向离自己最近的队长；队长再走到自己组员的"中间位置"（更新质心）；学生再次走向最近的新队长……重复直到队长不再移动。最终 3 个队自然成形。

上图是 K-means 算法的完整迭代流程，由 6 个子图按 (a)→(b)→©→(f)→(e)→(d) 的顺序展示，建议对照下面的说明逐格阅读，能直观理解每一步在干什么。

逐格解读——K-means 迭代全过程：

子图	阶段	图中发生了什么	对应算法步骤
(a)	原始数据	所有点都是绿色（未分类），肉眼可见两堆：左下一堆、右上一堆	输入数据集 X
(b)	初始化	随机投放 2 个质心：红色 ×（左上）和蓝色 ×（右下）。注意质心位置很"偏"——红 × 离真正的红簇中心很远	第 1 步：随机选 K 个初始质心
©	第一次分配	每个绿点被涂成离自己最近质心的颜色（红/蓝）。黑色箭头指向质心即将移动的方向——质心要走向自己组员的"中间位置"	第 2 步：分配 + 第 3 步：更新
(f)	质心移动	红 × 向下移动、蓝 × 向上移动，到达各自簇的均值位置。点的颜色暂时不变	质心 = 簇内均值
(e)	重新分配	质心移动后，边界附近的一些点"跳槽"换了颜色（原本红色的变蓝，或反之），因为新质心离它更近了	回到第 2 步：重新分配
(d)	收敛稳定	质心不再移动，点的颜色不再变化——算法结束。红色簇在左下、蓝色簇在右上，干净利落地分开	迭代终止，输出结果

从图中能读出 3 个关键信息：

1. 质心是被点"拉"着走的：© 图中的黑色箭头揭示了一个核心直觉——质心并非跳到任意位置，而是走向当前组员的几何中心（均值）。这就是"K 均值"名字的由来。
2. 初始质心可以很差，但能自我修正：(b) 图中红 × 的初始位置明显偏离，但经过 ©→(f)→(e) 几轮迭代后自动纠正了。这体现了 K-means 的收敛性——但也隐含风险：若初始点更极端，可能收敛到局部最优（分错），这正是 n_init 多次初始化的意义。
3. 决策边界是一条直线：最终 (d) 图中红蓝两簇的分界线，本质是两个质心连线的垂直平分线——离谁近就归谁。这就是 K-means 只能发现凸形（球形）簇的原因。

2.2 算法步骤（必背 4 步）

输入：数据集 X，簇数 K
1. 初始化：从 X 中随机选 K 个点作为初始质心
2. 分配：每个样本归到离自己最近的质心所在的簇
3. 更新：每个簇的质心 = 该簇所有样本的均值
4. 迭代：重复 2、3 步，直到质心不再移动（或变化 < 阈值）
输出：K 个簇 + 每个样本的簇标签

第 2 步"分配" 用的是距离（默认欧氏距离），样本 $x_i$ 到质心 ${\mu }_j$ 的距离最小则归簇 $j$。

第 3 步"更新" 是 K-means 的灵魂——质心取簇内均值，这也是名字"K 均值"的由来：${\mu }_j=\frac{1}{|C_j|}{\sum }_{x\in C_j}x$

💡 为什么用均值？均值最小化簇内方差（点到质心的距离平方和），数学上保证了收敛。

2.3 K 值怎么选？——K-means 的头号难题

K-means 必须预先指定 K，但"该分几类"本身就是无监督问题，没人告诉你。所以 K 的选择要靠评估指标反推。常用两招：

① 肘部法则（Elbow Method）

遍历 K=1,2,…,9，计算每个 K 的 inertia（簇内距离平方和），画折线图。曲线会在某处"拐弯"像胳膊肘，拐点就是最佳 K。

局限：拐点有时不明显，主观性强。

# 肘部法则：遍历 K，画 inertia（簇内距离平方和）折线图
inertias = []
for k in range(1, 10):
    km = KMeans(n_clusters=k, n_init=10, random_state=42).fit(X)
    inertias.append(km.inertia_)   # inertia_ 属性即簇内距离平方和

plt.plot(list(range(1, 10)), inertias, marker='o')
plt.xlabel('Number of clusters (K)')
plt.ylabel('Inertia (簇内距离平方和)')
plt.show()

上图 inertia 随 K 增大单调下降（K 越大簇越细，距离自然越小），拐点处（下降变缓的"胳膊肘"）即为推荐的 K。本数据集在 K=2 处明显拐弯，与轮廓系数结论一致。

② 轮廓系数（Silhouette Score）——本文代码用的方法

轮廓系数综合考虑"簇内紧凑"和"簇间分离"，范围 [-1, 1]：

$$s=\frac{b-a}{\max (a,b)}$$

• $a$：样本到同簇其他点的平均距离（越小越好，说明簇内紧凑）
• $b$：样本到最近邻簇的平均距离（越大越好，说明簇间分离）

轮廓系数	含义
接近 1	聚类优秀，簇内紧凑且簇间分离
接近 0	聚类模糊，簇之间有重叠
接近 -1	聚类糟糕，样本被分错簇

记忆口诀：轮廓系数看"内紧外松"——同簇近、异簇远，越大越好。
通俗说：好聚类的标准是"自己人抱团紧、外人离得远"。

代码里遍历 K=2~9 算轮廓系数，选最大的 K——这就是 K-means 的调参核心。

---

三、DBSCAN 算法详解：基于密度的聚类

3.1 核心思想

DBSCAN（Density-Based Spatial Clustering of Applications with Noise，具有噪声的基于密度的空间聚类）从另一个角度看问题：样本扎堆的地方就是一类，孤立零散的就是噪声。

它不预设簇数，而是根据密度自动发现簇，还能识别异常点（噪声）——这是 K-means 做不到的。

通俗类比：夜空看星星，星星密集的区域你认作"一个星座"（簇），零星散落、离群的单颗星你当作"孤星"（噪声）。你不需要提前知道有几个星座，密集程度自己会告诉你。

上图是 DBSCAN 算法的核心概念示意图，用一张图同时展示了三类点、两个参数和三种密度关系。建议对照下面的说明看图，把图中每个符号和概念对应起来，是理解 DBSCAN 的关键。

图例对照——每个符号代表什么：

图中符号	颜色	代表的点类型	判定条件
中央 6 个实心圆点	红色	核心点（Core）	eps 圈内点数 ≥ min_samples
左下 B、右侧 C	黄色	边界点（Border）	自身圈内点数不够，但落在某核心点的 eps 内
左上孤立点 N	蓝色	噪声点（Noise）	既不是核心，也不在任何核心的 eps 内
以各点为中心的圆	半透明圈	eps 邻域	半径 = eps，圈内点数决定该点身份
连接核心点的箭头	黑色有向边	密度可达关系	箭头方向 = 密度扩展路径

逐区域解读——看图理解 DBSCAN 如何成簇：

① 中心密集区：核心点连成一片 = 一个簇

图中央有 6 个红色核心点，它们的 eps 圈（红圈）相互重叠、连成一片。核心点之间通过黑色箭头相连，表示密度可达——从一个核心点出发，可以"链式"跳到相邻核心点，一路扩展。这片互相连通的红色区域，就构成了一个完整的簇。

关键：簇的"骨架"由核心点搭建，核心点之间的连接靠的是 eps 圈的重叠——圈重叠 = 密度连续 = 同一簇。

② 边缘区：黄色点 B、C 被核心点"吸附"

黄色点 B（左下）和 C（右侧）自身的 eps 圈内点数不足（黄圈里很空），所以不配当核心点。但它们恰好落在某个红色核心点的 eps 圈内，于是被"收编"为该簇的边界点。

关键：边界点是被核心点"拉进来的"，它们自己撑不起一个簇，但跟着核心走。如果调大 min_samples，B、C 可能从边界点降级为噪声点——这正是参数敏感性的体现。

③ 外围孤立区：蓝色点 N 谁也连不上 = 噪声

蓝色点 N（左上）孤零零地待着，它的 eps 圈（蓝圈）里空无一物，也不在任何核心点的圈内。谁也连不上它，它也连不上谁——被标记为噪声（标签 -1）。

关键：这就是 DBSCAN 最独特的能力——主动把"异类"挑出来，而不是像 K-means 那样强制归入某个簇。N 可能是异常数据，也可能是另一个稀疏簇的前兆（如果 eps 再大一点）。

从图中能读出 3 个关键信息：

1. 簇数不需要预设：图中形成几个簇，完全取决于核心点之间能否通过 eps 圈连通——连通区域有几片，就有几个簇。K-means 必须提前说"分 2 类"，DBSCAN 不用。
2. 簇的形状由密度决定，不是球形：核心点可以沿着任意方向链式扩展，所以 DBSCAN 能发现月牙形、环形等任意形状的簇——这是 K-means 做不到的（K-means 的分界线永远是直线）。
3. 噪声点 N 的命运随参数变化：若把 eps 调大（圈变大），N 的圈可能覆盖到某个核心点，N 就从噪声"升级"为边界点；若把 min_samples 调小，N 甚至可能自己变成核心点。调参的本质就是调整"什么算密集、什么算孤立"的尺度。

3.2 三个核心概念（理解 DBSCAN 的钥匙）

DBSCAN 用两个参数定义"密度"：eps（邻域半径） 和 min_samples（成为核心的最少邻居数）。由此把点分三类：

点类型	定义	地位
核心点	eps 邻域内点数 ≥ min_samples	簇的"骨干"，密集区的中心
边界点	邻域内点数 < min_samples，但在某核心点的 eps 内	簇的"边缘"，跟着核心走
噪声点	既不是核心，也不在任何核心的 eps 内	异常点，不属任何簇（标签 -1）

记忆口诀：核心是骨干、边界是外围、噪声是异类。

再理解三个"密度关系"（决定点如何连成簇）：

• 密度直达：点 A 在核心点 B 的 eps 邻域内，则 A 由 B 密度直达（A 是 B 的邻居，但 A 未必是核心）
• 密度可达：A 经过一串核心点能"链式"到达 B，则 B 由 A 密度可达
• 密度相连：A、B 都能从同一个核心点密度可达，则 A、B 密度相连

一簇 = 互相密度相连的所有点的集合。噪声点就是谁也连不上的孤立点。

3.3 算法步骤

输入：数据集 X，eps，min_samples
1. 对每个点，统计其 eps 邻域内的点数
2. 邻域内点数 ≥ min_samples 的点标记为"核心点"
3. 从任一核心点出发，把所有"密度相连"的点归为同一簇
4. 非核心但落在某核心 eps 内的点归为该簇"边界点"
5. 既非核心也非边界的点标记为"噪声"（标签 -1）
输出：若干簇 + 噪声点（簇数自动产生，无需预设）

💡 DBSCAN 的妙处：簇数 K 不用你指定，密度自己说了算；还能顺手挑出异常点。

3.4 两个参数的调参逻辑

• eps（半径）：邻域多大算"近"。eps 大 → 更多点被纳入邻域 → 簇数可能变少（本该分开的并成一堆）；eps 小 → 簇数变多（本该一类的被切开）。
• min_samples（最少邻居）：多密集才算"核心"。min_samples 大 → 核心点变少 → 部分本该入簇的点被判噪声，簇数变多；min_samples 小 → 核心点遍地 → 簇数变少。

两者联动调参：eps 决定"范围"，min_samples 决定"门槛"，组合不同聚类结果差异大。所以代码用网格搜索遍历组合——这是 DBSCAN 的调参核心。

---

四、代码实战：啤酒分群对比

两个算法用同一份啤酒数据集，方便横向对比。

4.1 数据集介绍

20 种啤酒，4 个数值特征：热量（calories）、钠（sodium）、酒精（alcohol）、成本（cost）。

name calories sodium alcohol cost
Budweiser          144 15 4.7 0.43
Miller_Lite         99 10 4.3 0.43
Budweiser_Light    113  8 3.7 0.40
Becks              150 19 4.7 0.76
Pabst_Extra_Light   68 15 2.3 0.38
Kirin              149  6 5.0 0.79
（共 20 种啤酒，完整数据见 data.txt）

观察数据：Miller_Lite、Budweiser_Light、Coors_Light 等 “Light” 啤酒热量明显偏低（68~113），普通啤酒热量在 139~175。这为聚类提供了天然结构。

4.2 K-means 实现

import pandas as pd
from matplotlib import pyplot as plt
from sklearn.cluster import KMeans
from sklearn import metrics

beer = pd.read_table('data.txt', sep=' ', engine='python', encoding='utf-8')
X = beer[["calories", "sodium", "alcohol", "cost"]]

# 第一步：遍历 K=2~9，用轮廓系数找最佳 K
scores = []
for k in range(2, 10):
    labels = KMeans(n_clusters=k, n_init=10, random_state=42).fit(X).labels_
    score = metrics.silhouette_score(X, labels)
    scores.append(score)
print(scores)

plt.plot(list(range(2, 10)), scores)
plt.xlabel('Number of clusters Initialized')
plt.ylabel('Silhouette Score')
plt.show()

# 第二步：用最佳 K=2 聚类
km = KMeans(n_clusters=2, n_init=10, random_state=42)
km.fit(X)
beer["cluster"] = km.labels_
score = metrics.silhouette_score(X, km.labels_)
print(score)

真实运行结果：

K=2~9 轮廓系数: [0.6918, 0.6732, 0.5857, 0.4225, 0.4559, 0.4378, 0.3895, 0.3975]
K=2 轮廓系数: 0.6918

K	轮廓系数
2	0.6918（最高）
3	0.6732
4	0.5857
5	0.4225
6	0.4559
7	0.4378
8	0.3895
9	0.3975

轮廓系数 K=2 时最大（0.6918），且 K 越大系数越低——说明这批啤酒天然就分两大类。最终聚类结果：

簇	样本数	质心（热量/钠/酒精/成本）	成员
0	14	150 / 17 / 4.52 / 0.52	Budweiser、Schlitz、Kronenbourg、Heineken、Becks、Kirin 等普通啤酒
1	6	91.83 / 10.17 / 3.58 / 0.43	Miller_Lite、Budweiser_Light、Coors_Light、Pabst_Extra_Light、Olympia_Goled_Light、Schlitz_Light

📊 结果解读：K-means 按"热量"把啤酒分成**普通啤酒 vs 淡啤（Light）**两类——淡啤热量低（均值 92 vs 150），与直觉完全吻合。轮廓系数 0.6918 接近 0.7，聚类质量优秀。

💡 为什么没标准化也能分对？——一个隐蔽的陷阱

注意：本代码没有对数据标准化。而 4 个特征的量纲差异巨大——calories 范围 68~175，cost 范围 0.28~0.79，相差约 200 倍。K-means 基于欧氏距离，大数值特征会主导距离计算，小数值特征几乎被忽略。

所以本次聚类的本质是：几乎只靠 calories 一个特征就把啤酒分好了。之所以结果看起来"对"，是因为这份数据的天然结构恰好就体现在热量上（普通 vs 淡啤），属于"歪打正着"。

教训：换个数据集，若重要的分类信息藏在量纲小的特征里（比如 cost），不标准化就会分错。所以"建议但非必须"要加一个前提——当特征量纲差异大时，K-means 也必须标准化。这一点与 DBSCAN 一致：基于距离的算法都怕量纲不均。

4.3 DBSCAN 实现

import pandas as pd
from sklearn.cluster import DBSCAN
from sklearn import metrics
from sklearn.model_selection import ParameterGrid
from sklearn.preprocessing import StandardScaler

beer = pd.read_table('data.txt', sep=' ', encoding='utf-8', engine='python')
X = beer[["calories", "sodium", "alcohol", "cost"]]

# 注意：data.txt 与 K-means 教程共用，位于 8、K-means聚类 目录下。
# 若本脚本放在 9、DBSCAN 目录，路径需改为 '../8、K-means聚类/data.txt'。

# 第一步：标准化（DBSCAN 基于距离，量纲不同必须先标准化）
scaler = StandardScaler()
X_scaled = scaler.fit_transform(X)

# 第二步：网格搜索 eps 与 min_samples 的最佳组合
param_grid = {
    'eps': [1.0, 1.1, 1.2, 1.3, 1.4, 1.5, 1.6, 1.7, 1.8, 1.9, 2.0],
    'min_samples': [2, 3, 4]
}
params_list = list(ParameterGrid(param_grid))

best_score = -1
best_params = None
for param in params_list:
    labels = DBSCAN(**param).fit_predict(X_scaled)
    n_clusters = len(set(labels) - {-1})   # 排除噪声点 -1
    if n_clusters >= 2:                    # 轮廓系数要求至少 2 个有效簇
        score = metrics.silhouette_score(X_scaled, labels)
        if score > best_score:
            best_score, best_params = score, param
print(f"最佳参数: {best_params}, 最高轮廓系数: {best_score:.4f}")

# 第三步：用最佳参数聚类
db = DBSCAN(eps=best_params['eps'], min_samples=best_params['min_samples']).fit(X_scaled)
beer['cluster_db'] = db.labels_
score = metrics.silhouette_score(X_scaled, beer.cluster_db)
print(score)

真实运行结果（部分有效组合）：

eps	min_samples	轮廓系数	簇数
1.0	2	0.2375	3
1.2	2	0.2839	3
1.3	2	0.3776（最高）	2
1.5	2	0.3491	2
2.0	2	0.3594	2

最佳参数 eps=1.3, min_samples=2，轮廓系数 0.3776。最终聚类结果：

簇	样本数	成员
噪声 -1	3	Lowenbrau、Pabst_Extra_Light、Olympia_Goled_Light
0	13	Budweiser、Schlitz、Coors、Miller_Lite、Budweiser_Light、Coors_Light 等主流啤酒
1	4	Kirin、Becks、Kronenbourg、Heineken

⚠️ 注意：噪声 -1 不是一个簇，只是"异常标记"。所以实际有效簇数为 2（簇 0 + 簇 1），不要把 3 个噪声点算成第 3 个簇。

📊 结果解读：DBSCAN 分出 2 个簇 + 3 个噪声点。

• 簇 1 是 Heineken、Becks、Kirin、Kronenbourg——都是高端进口啤酒（成本 0.73~0.79，远高于平均）。
• 噪声点有 Lowenbrau（酒精异常低 0.9）、Pabst_Extra_Light（热量极低 68）、Olympia_Goled_Light（热量极低 72）——这些是"与众不同"的异常啤酒，被 DBSCAN 单独挑出。
• 这是 K-means 做不到的：K-means 强制每个点都归某簇，而 DBSCAN 允许"这货不对劲，单独标记"。

4.4 两种算法的结果对比

以下代码用「热量 vs 成本」两维可视化两个算法的聚类结果（实际聚类用 4 维特征，这里选两个维度方便肉眼观察）：

import matplotlib.pyplot as plt

fig, axes = plt.subplots(1, 2, figsize=(14, 5))

# 左图：K-means 结果
ax = axes[0]
for c in beer['cluster'].unique():
    subset = beer[beer['cluster'] == c]
    ax.scatter(subset['calories'], subset['cost'], label=f'簇 {c}', s=60)
ax.set_xlabel('calories（热量）')
ax.set_ylabel('cost（成本）')
ax.set_title('K-means 聚类结果')
ax.legend()

# 右图：DBSCAN 结果（噪声点用红色 ✗ 标记）
ax = axes[1]
for c in beer['cluster_db'].unique():
    subset = beer[beer['cluster_db'] == c]
    if c == -1:
        ax.scatter(subset['calories'], subset['cost'], c='red', marker='x',
                   s=100, label='噪声 (-1)', zorder=5)
    else:
        ax.scatter(subset['calories'], subset['cost'], label=f'簇 {c}', s=60)
ax.set_xlabel('calories（热量）')
ax.set_ylabel('cost（成本）')
ax.set_title('DBSCAN 聚类结果')
ax.legend()

plt.tight_layout()
plt.savefig('聚类对比.png', dpi=150)
plt.show()

上图用「热量 vs 成本」两维可视化（实际聚类用 4 维特征）。左图 K-means 按"热量高低"把啤酒分成普通（蓝）与淡啤（橙）两堆，边界清晰但无噪声识别；右图 DBSCAN 多识别出 3 个红色 ✗ 噪声点（异常啤酒），并把 Heineken、Becks、Kirin、Kronenbourg 四款高价进口啤酒单独聚成一簇。两者分类视角一目了然。

对比维度	K-means	DBSCAN
簇数	2（预设 K=2）	2 簇 + 3 噪声（自动产生）
轮廓系数	0.6918	0.3776
分类视角	按热量分：普通 vs 淡啤	按综合特征：主流 vs 高端进口 + 异常点
是否识别异常	否（强制归类）	是（3 个噪声点）

关键洞察：

1. 此数据集 K-means 表现更好（轮廓 0.6918 > 0.3776）。原因是数据天然按"热量"分两堆，呈凸形分布，正是 K-means 的舒适区。
2. DBSCAN 的价值不在分数高低，而在"发现了 K-means 发现不了的东西"——3 个噪声点就是异常啤酒，4 个高端进口啤酒被单独成簇。如果任务是"找异常啤酒"，DBSCAN 完胜。
3. 两者不是谁替代谁，而是视角互补：K-means 看"主结构"，DBSCAN 看"密度与异常"。

---

五、API 参数详解与调优

5.1 K-means 参数详解

sklearn.cluster.KMeans 完整签名：

KMeans(n_clusters=8, init='k-means++', n_init='auto', max_iter=300,
       tol=0.0001, verbose=0, random_state=None, copy_x=True,
       algorithm='lloyd')

参数	默认值	说明	是否需调
n_clusters	8	簇数 K	必调（核心）
init	‘k-means++’	初始化方法：‘k-means++’（智能选质心加速收敛）、‘random’（随机选）、传 ndarray（指定质心）	一般用默认
n_init	'auto'	用不同初始质心运行次数，取最优结果（缓解初始点敏感）。'auto' 时：init='k-means++' 等价于 1 次、init='random' 等价于 10 次	建议显式指定
max_iter	300	单次最大迭代数	一般用默认
tol	0.0001	收敛阈值（inertia 变化小于此值则停）	一般用默认
random_state	None	随机种子，设固定值保证结果可复现	建议固定
algorithm	'lloyd'	'lloyd'（经典 EM）、'elkan'（三角不等式加速，不支持稀疏）	一般用默认

⚠️ 版本变更提示：

• precompute_distances：0.23 起废弃（已无实际作用），1.3 起完全移除。
• n_jobs：0.24 起废弃，新版传参会直接 TypeError。
• n_init 默认值从 10 改为 'auto'（1.4 起）。
• algorithm 默认值从 'auto' 改为 'lloyd'（1.1 起，'auto' 已废弃）。

本文代码显式写 n_init=10 是兼容新版的稳妥做法——避免 'auto' 在不同 init 下行为不同带来的困惑。

属性：cluster_centers_（质心坐标）、labels_（每个样本的簇标签）、inertia_（簇内距离平方和）、n_iter_（迭代次数）。

调优方法：遍历 K 值，用轮廓系数（或肘部法则）选最佳 K，其余参数用默认。核心代码：

scores = []
for k in range(2, 10):
    labels = KMeans(n_clusters=k, n_init=10, random_state=42).fit(X).labels_
    scores.append(metrics.silhouette_score(X, labels))
best_k = list(range(2, 10))[scores.index(max(scores))]   # 轮廓系数最大的 K

💡 看什么率：轮廓系数（silhouette_score）。K-means 的调优本质就是"调 K 值，看轮廓系数曲线找峰值"。

5.2 DBSCAN 参数详解

sklearn.cluster.DBSCAN 完整签名：

DBSCAN(eps=0.5, min_samples=5, metric='euclidean', metric_params=None,
       algorithm='auto', leaf_size=30, p=None, n_jobs=None)

参数	默认值	说明	是否需调
eps	0.5	邻域半径 ϵ。过大→簇数变少（不同类合并）；过小→簇数变多（同类被切）	必调（核心）
min_samples	5	成为核心所需的最少邻居数。过大→核心变少、噪声变多；过小→核心遍地、簇数变少	必调（核心）
metric	‘euclidean’	距离度量：‘euclidean’（欧氏）、‘manhattan’（曼哈顿）、‘chebyshev’（切比雪夫）	一般用默认
algorithm	‘auto’	近邻搜索：‘brute’（蛮力）、‘kd_tree’（KD 树）、‘ball_tree’（球树）、‘auto’（自动选）；稀疏数据强制 brute	一般用默认
leaf_size	30	KD 树/球树的叶子大小（影响速度与内存）	一般用默认
p	None	闵可夫斯基距离的 p 值，p=1 曼哈顿、p=2 欧氏；用默认欧氏不用管	一般用默认

属性：labels_（每个样本的簇标签，-1 表示噪声）。

调优方法：eps 和 min_samples 联动，用 ParameterGrid 网格搜索，轮廓系数评估。核心代码：

from sklearn.model_selection import ParameterGrid
param_grid = {'eps': [1.0, 1.1, ..., 2.0], 'min_samples': [2, 3, 4]}
best_score, best_params = -1, None
for param in ParameterGrid(param_grid):
    labels = DBSCAN(**param).fit_predict(X_scaled)
    if len(set(labels) - {-1}) >= 2:    # 至少 2 簇才能算轮廓系数
        score = metrics.silhouette_score(X_scaled, labels)
        if score > best_score:
            best_score, best_params = score, param

⚠️ DBSCAN 调参注意：

1. 必须先标准化：DBSCAN 基于距离，特征量纲不同（如热量 0~175、成本 0~0.79）会让大数值特征主导，必须 StandardScaler 标准化后才能聚类。
2. 看什么率：同样看轮廓系数，但要先排除噪声点（标签 -1）再算，且要求有效簇数 ≥ 2。
3. min_samples 经验：数据维度 D 时，min_samples ≥ D+1 是常用起点；数据量大时适当调大。

可视化选 eps：k-距离图（k-distance plot）

网格搜索虽然暴力有效，但 eps 候选值怎么选？凭空拍不靠谱。业界经典做法是用 k-距离图：取 k = min_samples，计算每个点到第 k 近邻的距离，按从小到大排序画曲线。曲线的"拐点"（急剧上升处）对应的距离就是合适的 eps。

import numpy as np
from sklearn.neighbors import NearestNeighbors

# 计算 k-距离（k 取 min_samples 的值，这里用 2）
k = 2
neighbors = NearestNeighbors(n_neighbors=k).fit(X_scaled)
distances, _ = neighbors.kneighbors(X_scaled)
k_distances = np.sort(distances[:, k-1])   # 第 k 近邻的距离，排序

plt.plot(k_distances, marker='o')
plt.xlabel('样本（按 k-距离排序）')
plt.ylabel(f'第 {k} 近邻距离')
plt.title('k-距离图（拐点处即为推荐 eps）')
plt.show()

💡 k-距离图的拐点含义：拐点之前，大部分点的第 k 近邻都很近（密集区）；拐点之后距离骤增（稀疏区/噪声）。拐点处的距离值就是"密集与稀疏的分界线"——正是 eps 的理想取值。本文数据集拐点大约在 1.2~1.3 附近，与网格搜索得到的最优 eps=1.3 吻合。

5.3 调参方法对比

维度	K-means	DBSCAN
必调参数	1 个（K）	2 个（eps + min_samples，联动）
搜索方式	遍历 K 值画曲线	参数网格搜索
评估指标	轮廓系数 / 肘部法则	轮廓系数（排除噪声后）
是否需标准化	量纲差异大时必须	必须
调参难度	低（一维搜索）	中高（二维网格）

---

六、意义、优缺点与对比

6.1 两算法的意义

• K-means：聚类算法的"基准线"。1957 年提出，至今仍是工业界最常用的聚类算法。它简单、快速、效果稳定，是入门聚类的必学第一课，也是很多复杂算法（如图像压缩、向量量化）的基础。
• DBSCAN：1996 年提出，开创了"基于密度"的聚类范式。它解决了 K-means 的两大痛点——不用预设簇数、能识别噪声，在异常检测、空间数据分析、非凸形状聚类场景不可替代。

6.2 优缺点对比

维度	K-means 优点	K-means 缺点
效率	算法简单、速度快、可扩展大数据	——
结果	对凸形簇效果好、簇内紧凑	必须预设 K、对初始质心敏感
形状	——	只能发现球形/凸形簇，处理不了任意形状
异常	——	对噪声敏感，无法识别异常点（强制归类）
密度	——	处理密度差异大的簇效果差

维度	DBSCAN 优点	DBSCAN 缺点
簇数	无需预设 K，自动发现	——
形状	能发现任意形状的簇	——
异常	能识别噪声点，天然异常检测	——
效率	——	对高维数据效果差（维度灾难），速度不如 K-means
参数	——	eps/min_samples 对结果影响大，调参更难
密度	——	密度不均的数据聚类效果差（有的簇密有的疏）

6.3 K-means vs DBSCAN 全面对比

对比维度	K-means	DBSCAN
流派	基于划分	基于密度
核心思想	离哪个质心最近归哪类	扎堆的就是一类，落单的是噪声
是否需预设簇数	必须指定 K	不用，自动产生
簇形状	球形/凸形	任意形状
异常点处理	强制归某簇	标记为噪声（-1）
核心参数	n_clusters	eps + min_samples
是否需标准化	建议	必须
调参方式	K 值曲线 + 轮廓系数	参数网格搜索 + 轮廓系数
时间复杂度	O(nKt)，快	O(n log n)（KD 树），较高
高维表现	较好	差（维度灾难）
密度不均	尚可	差
可解释性	高（有质心）	中（无质心，靠密度关系）
本文轮廓系数	0.6918 ⚠️	0.3776 ⚠️

⚠️ 此处轮廓系数仅针对本文啤酒数据集，不可泛化为"K-means 一定比 DBSCAN 好"。数据分布不同，结论可能完全反转（详见 4.4 节关键洞察）。

6.4 怎么选？适用场景

场景	推荐	原因
簇呈球形、大致等大	K-means	凸形分布正是它的舒适区
数据量大、要求速度	K-means	时间复杂度低
不知道该分几类	DBSCAN	自动发现簇数
簇形状不规则（如环形、月牙）	DBSCAN	能处理任意形状
需要异常检测	DBSCAN	噪声点即异常
高维数据	K-means	DBSCAN 受维度灾难影响
密度均匀	都可	——
密度不均	K-means 或改进算法	DBSCAN 处理密度不均差

🎯 一句话选择：要分几类有数、要速度快、要球形簇 → K-means；不知几类、要找异常、要任意形状 → DBSCAN。

---

七、总结

7.1 核心要点

要点	K-means	DBSCAN
思想	划分：以质心为代表	密度：扎堆成簇、落单为噪
必背步骤	初始化→分配→更新→迭代	找核心→密度相连成簇→其余为噪声
必调参数	K（n_clusters）	eps、min_samples
看什么率	轮廓系数（峰值定 K）	轮廓系数（网格搜索定参数）
标志性能力	简单快速、凸形簇优	无需预设 K、识别异常、任意形状

7.2 在机器学习中的地位

聚类是无监督学习的核心任务，而 K-means 和 DBSCAN 是聚类两大流派的代表：

• K-means 是聚类算法的"Hello World"，几乎所有聚类教学和工业基线都从它开始。
• DBSCAN 把"密度"概念引入聚类，填补了 K-means 在异常检测和非凸形状上的空白。
• 两者一"划分"一"密度"，构成了理解整个聚类算法家族（层次聚类、谱聚类、高斯混合等）的两块基石。

7.3 进阶方向

本文两种算法都是经典基线，现代聚类还有更强大的方法：

• 高斯混合模型（GMM）：K-means 的概率升级版，用高斯分布建模，支持软分类（给概率而非硬标签）和椭圆形簇。
• 层次聚类：自底向上或自顶向下建树，可按需在任意层切割，不用预设 K。
• HDBSCAN：DBSCAN 的改进版，自动适应不同密度，解决了 DBSCAN 对 eps 敏感的问题。
• 谱聚类：基于图论，用相似矩阵的特征值分解，擅长非凸形状和复杂结构。

💡 动手验证：拿本文啤酒数据集，pip install hdbscan 后把 DBSCAN 代码里的 DBSCAN 换成 HDBSCAN，对比噪声点识别效果；或用 GaussianMixture 替换 KMeans，观察软分类概率输出。一行代码的改动，就能感受进阶算法的差异。

理解了 K-means 和 DBSCAN 的"划分 vs 密度"之争，再看这些进阶算法，你会发现它们要么是某一派的强化（GMM 强化 K-means、HDBSCAN 强化 DBSCAN），要么是综合（谱聚类综合图结构）——万变不离其宗。

💡 学习建议：拿本文的啤酒数据集，动手跑通两个代码，对比轮廓系数曲线和聚类结果图。再把 n_clusters、eps、min_samples 改几个值感受变化——聚类算法的直觉，就是在这种"调一调、看一看"中建立的。

---

本文代码与数据：K-means.py、DBSCAN聚类.py、data.txt。两个算法用同一份数据集对比，方便直观理解"基于划分"与"基于密度"的本质差异。