问答 · ANSWER
聚类算法的核心思想与应用是什么？
直接回答
聚类是一种无监督学习方法，根据数据相似度自动分组，实现组内相似性高、组间相似性低的目标，常用于客户细分、异常检测等场景。
关键要点
- 聚类是一种无监督学习方法，目标是将未标记的数据样本根据相似度划分为不同的组（簇）。
- 聚类的核心原理是追求“组内相似性高，组间相似性低”，算法自动发现数据的内在结构。
- 典型应用场景包括客户细分、异常检测、市场研究、图像分割等。
- 聚类与分类的关键区别在于，聚类没有预先定义的类别标签，而分类需要标签指导学习。
- 使用scikit-learn的K-Means算法可以对客户消费数据等数值特征进行分群演示。
- 聚类结果是探索性的，需要结合领域知识对抽象的簇标签进行业务解释。
- K-Means等聚类算法需要预先指定簇数，并可能受到特征量纲和簇形状的影响。
怎么选 / 怎么做
聚类算法的核心步骤包括：1. 准备无标签的特征数据；2. 选择聚类算法（如K-Means）并设定参数（如簇数）；3. 算法根据相似度计算进行分组；4. 分析聚类结果，结合业务知识解释各簇含义。
常见问题
聚类与分类有什么区别？
聚类是无监督学习，无标签；分类是有监督学习，有标签。
聚类算法的典型应用有哪些？
客户细分、异常检测、市场研究、图像分割。
K-Means聚类需要注意什么？
需预先指定簇数，特征量纲差异大时建议先标准化。