数据科学家必须了解的6大聚类算法 | 帆软九数云
聚类分析是一种无监督的机器学习任务。与监督学习不同，聚类算法仅依赖输入数据，并致力于在特征空间中找到自然的组或群集。无论是客户分群、异常检测，还是图像分割，都离不开它的身影。
今天就为大家拆解数据科学家必须掌握的六大聚类算法，从核心原理到适用场景，干货满满，建议收藏！
一、K-Means聚类
经典的基于距离的聚类算法，通过迭代计算将数据点划分为K个簇，使得每个数据点到其所在簇中心的距离之和最小。
算法步骤
- 步骤1：随机选择 K 个数据点作为初始聚类中心
- 步骤2：计算每个数据点与各中心的距离，常用欧氏距离，将其分配到最近的簇
- 步骤3：重新计算每个簇的均值，即新的聚类中心
- 步骤4：重复步骤 2-3，直到聚类中心不再显著变化或达到最大迭代次数
局限性
需预先指定 K 值，对非凸形状簇、异常值敏感。
使用场景
- 数据量较大且维度适中的场景，如客户分群、用户行为聚类
- 簇的形状接近球形、大小相对均匀的数据集
- 需快速得到聚类结果的场景
二、层次聚类
层次聚类是一种自下而上的聚类方法，逐步将相似的小规模对象合并为较大的簇，进而形成最终的聚类结果。
通过构建树状图实现聚类，分为两种策略：
- 凝聚式：从每个数据点作为单独簇开始，逐步合并最相似的簇，直到形成一个簇
- 分裂式：从所有数据点作为一个簇开始，逐步分裂为更小的簇，直到每个数据点为单独簇
- 相似度度量：常用欧氏距离、曼哈顿距离，簇间距离（如最短距离、最长距离、平均距离）
使用场景
- 需探索数据层次结构的场景，如生物学中物种分类、文本主题层级划分
- 数据量较小的场景，算法时间复杂度较高，不适合大规模数据
三、DBSCAN
DBSCAN 是一种基于密度的聚类算法，簇是由高密度区域组成的连通组件，能自动识别异常值。
核心概念：
- DBSCAN算法主要有两个参数：ε --- 邻域半径；MinPts --- 形成高密度区域所需的最小样本数
- 核心点：邻域内样本数 ≥ MinPts 的点
- 边界点：邻域内样本数 < MinPts，但可被核心点的邻域包含
- 噪声点：既非核心点也非边界点的点
流程：
从核心点出发，递归合并所有密度可达的点，通过核心点连接，形成簇。
使用场景：
- 需识别任意形状簇的场景，如环形、月牙形等非凸形状
- 需自动检测异常值的场景，如欺诈检测、异常行为识别
- 数据密度不均匀但存在明显密度差异的场景，如不同密度的簇
四、BIRCH
相对于K-means和DBSCAN，Birch的应用并没有那么广泛，不过它也有一些独特的优势。BIRCH是一种基于层次的聚类算法，适用于大规模数据集，能够高效处理具有高维度、海量样本的数据，同时保持较低的时间和空间复杂度，主要是通过构建聚类特征树来压缩数据。
- 聚类特征：即CF，用三元组（N, LS, SS）表示一个簇，其中 N 为样本数，LS 为样本坐标总和，SS 为样本坐标平方和，可快速计算簇的均值、半径等
- 聚类特征树：即CF Tree，一种层次数据结构，叶子节点为紧密相连的簇，即CF 簇，非叶子节点为子节点的 CF 聚合，通过限制树的高度和叶子节点容量控制内存占用
流程
先构建聚类特征树压缩数据，再对叶子节点的 CF 簇进行二次聚类得到最终结果。
使用场景
- 大规模数据集或内存有限的场景，高效压缩数据，减少内存占用
- 数据维度较低，如二维、三维，且簇密度较均匀的场景
- 需快速预处理数据以减少规模的场景
五、高斯混合模型
高斯混合模型（GMM）是一种概率密度模型，通俗来讲高斯混合模型指多个高斯分布函数的线性组合，理论上可以拟合出任意类型的分布。
核心思想：
- 复杂的数据分布可以拆分为若干个简单的高斯分布的加权组合
- 每个高斯分布称为一个 “成分”，模型通过学习每个成分的参数（均值、协方差）和权重，来拟合数据的整体分布
- 通过EM 算法 估计参数，最终每个样本被分配到多个簇的概率，可通过最大概率确定所属簇
使用场景：
- 需得到样本属于各簇的概率的场景，如用户兴趣偏好的模糊划分
- 数据符合或近似高斯分布的场景，如身高、成绩等自然数据
- 簇之间存在重叠的场景
六、谱聚类
谱聚类是从图论角度出发的聚类方法，利用图的谱特性，即特征值和特征向量，实现聚类：
- 将数据集中的每个样本看作图的顶点，样本间的相似度看作顶点间边的权重，构建一个加权无向图
- 通过对图的拉普拉斯矩阵进行特征分解，提取低维特征向量
- 使用 K-means 等传统聚类算法对低维特征向量进行聚类，得到最终结果
谱聚类对数据分布的适应性更强，聚类效果也很优秀，同时聚类的计算量也小很多，核心是通过特征向量将高维数据映射到低维空间，使原本复杂的聚类问题简化。
使用场景：
- 高维数据或非线性可分数据，如图像分割、社交网络社区检测
- 簇形状复杂，如非凸、流形结构的场景，相比 K-Means 更灵活
- 数据量中等的场景，特征值分解复杂度较高，不适合超大规模数据
总结
不同聚类算法各有侧重，选择时需结合数据规模、维度、簇形状、是否需要层次结构等因素。通过今天的分享，希望可以帮助大家梳理各算法知识框架，理解不同算法的区别与应用方向。
对于复杂数据的计算、大数据量的数据计算，如果excel已经带不动了该怎么办？推荐大家使用在线数据分析工具九数云BI，零代码快捷处理数据、可视化数据，并在线分享给其他人员。
热门产品推荐
Jamie | | 2025-07-31
数据可视化可以帮助企业从大量数据中提取有价值的信息，从而做出更明智的决策、优化运营和提高业务效率。今天小九把这些作用分成三个大类为大家讲解~
九数云 | | 2023-10-19
大数据交通数据分析，用九数云等工具优化流量、提升安全，轻松管理城市交通！快来了解吧。
九数云 | | 2025-03-04
在数据分析领域，数据分析对比图怎么做是一个至关重要的问题。通过清晰、直观的对比图，可以帮助我们快速发现数据间的差异、趋势和规律，从而做出更明智的决策。本文将深入探讨制作数据分析对比图的技巧与方法，助您掌握数据可视化的核心技能。
九数云 | | 2025-08-11
在信息爆炸的时代，数据分析变得至关重要。而将数据转化为清晰、直观的图表，是理解和分享数据洞察的关键步骤。在线数据作图工具的出现，极大地降低了数据可视化的门槛，让更多人能够轻松驾驭数据，从中发现价值。本文将介绍6款常用的在线数据作图工具，帮助您快速生成各种可视化图表。
九数云 | | 2025-08-15
数据库可视化软件通过直观的图形界面，极大地简化了数据库的管理、设计和数据分析等操作，显著提升了数据库开发与运维的效率和易用性。本文将深入探讨数据库可视化软件的功能、优势和适用场景，并分享主流工具，帮助你选择最适合自己的数据库管理利器。此外，还将介绍零代码BI工具九数云BI如何与数据库可视化相结合，释放数据分析的更大潜力。
Jamie | | 2025-07-18
