CHAPTER 29 / 37
聚类：当数据没有答案时，我们如何发现结构？
当我们停止追问答案时，数据才开始向我们展示它真正的结构。在没有标签的世界里，最重要的能力不是判断对错，而是看见秩序。
在前28篇文章里，我们一直在讨论一种非常典型的机器学习范式：监督学习（Supervised Learning）。
你给模型一堆数据，同时也给它标准答案。模型的任务，是学会从输入到输出的映射关系。比如输入：用户行为数据，输出：是否会流失；输入：车辆传感器数据，输出：是否存在风险……本质上都是：给定问题，寻找答案。
但从今天开始，我们进入一个完全不同的世界。
这个世界没有标准答案，甚至问题本身，也不一定是清晰的。
什么是无监督学习？
先给一个非常工程化的定义：无监督学习（Unsupervised Learning），就是在没有标签的情况下，从数据中自动发现结构。
注意这里的关键词：结构（Structure）。不是预测，不是分类，不是判断对错。而是：这堆数据，里面到底有什么规律？
假设你是一个电商平台的产品负责人。你有一批用户数据：
年龄
购买频率
客单价
浏览时间退
款次数但你没有：
用户类型标签
用户价值等级
用户画像分类这时候，你会很自然地产生一个问题：这些用户，是不是天然可以分成几类？比如：
高频低价用户
低频高价用户
浏览很多但不买的用户
新用户但注意，这些标签是你猜的，并没有人告诉你答案。
这就是典型的聚类（Clustering）问题。
什么是聚类（Clustering）？
再给一个工程上最实用的定义：聚类，就是把“相似的数据”自动分成一组一组。
非常像现实世界里的行为——人会自动把衣服按颜色放一起，图书馆会把书按主题放一起，超市会把商品按类别放一起。
但这里有一个关键区别：机器不是按“名字”分组，而是按“相似度”分组。
假设你在做一个智能座舱系统，系统收集到一堆驾驶行为数据：
平均车速
急刹次数
夜间驾驶比例
音乐音量
导航使用频率你没有“驾驶风格标签”，但你想知道用户是不是自然分成几类驾驶风格？
聚类算法可能会自动发现：
第一类：高速驾驶、夜间比例高、音乐音量大。可能是：年轻驾驶者
第二类：车速稳定、很少急刹、导航使用频繁。可能是：通勤用户
这就是：从数据中发现结构而不是：预测答案
聚类最重要的一种算法：K-means
在所有聚类算法中，最经典、最常用、最容易理解的一种，叫：K-means。
它几乎是聚类领域的“Hello World”。K-means简单来说，就是在不断移动“中心点”，让所有数据离它们更近。
假设你开了一家咖啡店，你有一份客户地址数据，你想在城市里开两个门店。你的目标是让所有客户离门店尽量近。这时候你会怎么做？大概率是：
第一步：先随便选两个位置。
第二步：看每个客户更接近哪个门店。
第三步：把门店移动到这些客户的“平均位置”。
然后：重复。
这就是：K-means 的全部逻辑，非常简单，甚至有点像常识。
K-means 的核心循环：只有两步
这是整个算法最重要的地方。你只需要记住：
Step 1：分配（Assign）每个数据点：选择离它最近的中心。
比如：
用户 A： 离中心 1 更近 → 归到 cluster 1
用户 B： 离中心 2 更近 → 归到 cluster 2这一步，本质是找最近的中心。
Step 2：更新（Move）
对每个 cluster 重新计算所有数据点的平均位置，然后把中心移动到这个平均位置。 这两个动作会一直重复：
分配 → 更新
分配 → 更新
分配 → 更新
……直到再怎么更新，结果都不会变，这就叫：收敛（Converge）。
这正是 K-means 的核心机制：它会不断执行“分配数据点到最近中心”和“把中心移动到这些点的平均位置”这两个步骤，直到没有变化为止。
可以通过下述代码，感受下在TensorFlow中的实现：
import tensorflow as tf
import numpy as np
# 模拟数据：用户消费金额 & 访问频率
data = np.array([
[100, 5],
[120, 6],
[500, 1],
[550, 2],
[90, 7],
[600, 1]
])
k = 2
kmeans = tf.compat.v1.estimator.experimental.KMeans(
num_clusters=k,
use_mini_batch=True
)
def input_fn():
return tf.data.Dataset.from_tensor_slices(data).repeat(10)
kmeans.train(input_fn)
clusters = list(kmeans.predict_cluster_index(input_fn))
print(clusters)为什么 K-means 一定会停下来？
这是一个很多人第一次学时会问的问题——它会不会一直算下去？答案是：不会。
因为 K-means 实际上在优化一个非常明确的目标函数：让所有点，离自己的中心尽量近。
换句话说，它在最小化“所有数据点到所属中心的平方距离平均值”这个目标函数，这个函数也有一个很学术的名字——Distortion Function（失真函数）。
每执行一次分配——更新的过程，这个值都要么下降，要么不变，而永远不会上升。 所以最终一定会停。
初始化
K-means 有一个非常微妙但非常重要的问题：初始中心，是随机的。
这意味着同一份数据，你可能会得到完全不同的结果。
假设你在做用户分群，你想分 3 类用户。
如果初始中心恰好选得好，你可能得到：
高价值用户、中价值用户、低价值用户但如果选得不好，你可能得到：
一堆混合用户、一堆边缘用户、一堆异常用户这叫局部最优（Local Optimum）。
工程上最常见的解决方案非常简单——多跑几次，选最好的。
比如运行 100 次，每次随机初始化，选择损失最小的结果，这是业界非常标准的做法。
K 应该等于多少？
这是一个非常现实的问题——要分几类？
比如用户分群，你可以分成 2 类、 3 类、 5 类、 10 类……都可能是对的。 因为聚类，本来就没有标准答案。
一个非常典型的工程思路不是问数据里有几类？ 而是问我业务上需要几类？
比如服装公司，你可以分成：S、M、L ，也可以分成：XS、S、M、L、XL 。两个方案都合理。 但：
多尺寸 → 更贴合用户
少尺寸 → 更省成本因此决定最终选择的，不是数学问题，而是业务问题。
这正是实际工程中选择 K 的常见方式——根据后续业务用途，而不是单纯依赖数学指标。
很多人第一次接触聚类，会觉得它很数学。但如果你从产品角度看，它其实非常直观。因为它解决的是一个极其常见的问题——在没有标签的时候，如何理解用户？
这件事，在现实世界里每天都在发生：用户画像、客户分层、内容推荐、风险识别、驾驶行为分析、设备异常检测……几乎所有数据产品，都会用到聚类。
今天这篇文章，你只需要记住三件事：
1、聚类，不是预测，而是发现结构。不是判断对错，而是判断这堆数据里面有什么规律？
2、K-means只有两个动作——分配和更新，并反复执行，直到稳定。
3、最难的问题不是算法，而是分几类？而这是业务问题，不是技术问题。
附录：本文涉及的专有名词中英文对照（标红为最核心）