29 Python 聚类：什么是聚类？它和分类到底有什么区别？

Python 数据分析入门：什么是聚类？它和分类到底有什么区别？

在机器学习入门阶段，很多人最先接触的是分类。

比如：

• 根据邮件内容判断是不是垃圾邮件
• 根据学生成绩判断是否及格
• 根据用户行为判断是否会流失

这类任务有一个共同特点：数据是有标签的。
也就是说，我们事先知道每条数据属于哪一类，模型要做的是学习这些标签背后的规律，然后对新数据进行预测。

但现实中还有很多场景，并没有现成标签。

例如：

• 一批用户消费数据，想看看能不能自动分成几类用户
• 一批商品属性数据，想看看哪些商品天然更相似
• 一批学生学习行为数据，想看看是否存在不同类型的学习群体

这时候我们并不知道“标准答案”是什么，自然也没法直接做分类。
于是，一个很自然的问题就来了：

如果没有标签，数据还能不能自动分组？

这就是本文要讲的主题：聚类。

一、什么是聚类？

先不用急着记定义，可以先从直觉上理解。

假设你把一批用户画在二维平面上：

• 横轴表示月消费金额
• 纵轴表示月访问次数

你可能会发现，有些用户会自然聚在一起：

• 一群消费高、访问频繁
• 一群消费一般、访问稳定
• 一群消费低、访问较少

虽然这些用户没有被提前标记成“高价值用户”“普通用户”或者“低活跃用户”，
但从分布上看，它们似乎天然可以分成几堆。

这就是聚类最核心的想法：

把相似的数据放在一起，把不相似的数据尽量分开。

更正式一点地说，聚类就是把数据对象划分为多个组或簇，使得：

• 同一簇中的对象更相似
• 不同簇之间的对象差异更明显

这里的“簇”，你可以简单理解成：

一群彼此更像的样本。

二、聚类属于什么类型的学习？

聚类属于无监督学习。

和监督学习不同，无监督学习不依赖标签，它关注的是数据本身的分布特征。
它更像是在回答下面这些问题：

• 数据内部有没有自然形成的群体？
• 有没有一些明显和别人不一样的样本？
• 数据中是否存在某种潜在结构？

所以如果用一句话概括：

• 监督学习：有答案，学的是“怎么预测答案”
• 无监督学习：没答案，学的是“数据本身是什么结构”

而聚类，就是无监督学习中最典型的一类任务。

三、聚类和分类，到底有什么区别？

这是初学者最容易混淆的地方。

表面上看，聚类和分类都像是在“分组”，但它们背后的逻辑完全不同。

1. 分类：类别是已知的

分类问题里，数据是有标签的。

比如：

• 这封邮件是垃圾邮件还是正常邮件
• 这个客户会流失还是不会流失
• 这张图片是数字 3 还是数字 8

模型的目标是：

根据已有样本和标签之间的关系，学会对新样本进行判断。

也就是说，分类是在“已知类别”的前提下做预测。

2. 聚类：类别是未知的

聚类问题里，没有标签。
我们事先并不知道应该分成几类，也不知道每条数据到底属于哪一类。

模型的目标是：

根据数据之间的相似性，把它们自动组织成若干组。

也就是说，聚类是在“未知类别”的前提下尝试发现结构。

3. 一个最直观的类比

可以把它们这样理解：

• 分类：已经有标准答案，模型要学会按答案判别
• 聚类：没有标准答案，只能先观察数据，看它们是否能自然形成几组

所以：

• 分类更像“按规则判断”
• 聚类更像“从数据中找规律”

四、为什么很多人会把聚类和分类混为一谈？

因为它们最后的结果看起来都像是在“分成几类”。

比如：

• 分类最后输出：A类、B类、C类
• 聚类最后输出：簇1、簇2、簇3

形式确实有点像，但关注点并不一样。

分类更关注

• 已知标签
• 预测是否准确
• 新样本分到哪一类

聚类更关注

• 样本之间是否相似
• 分组是否自然
• 数据内部是否存在结构

简单来说：

分类是在已有答案的前提下学规则，聚类是在没有答案的情况下找结构。

五、聚类到底能解决什么问题？

如果只把聚类理解成“自动分组”，会显得有些抽象。
其实它在很多实际场景里都很有用。

1. 用户分群

这是最常见的应用之一。

比如电商平台希望把用户分成：

• 高频高消费用户
• 高频低消费用户
• 低频低消费用户

这样就能针对不同用户设计不同的运营策略。

2. 商品分组

如果有一批商品特征数据，可以通过聚类看看：

• 哪些商品更像同一类
• 哪些商品适合放进同一个推荐集合

3. 学生行为分析

如果你有学生的这些数据：

• 登录学习平台次数
• 作业完成率
• 课堂互动频率
• 测验成绩

就可以尝试看看是否存在不同类型的学习群体，比如：

• 主动学习型
• 临时突击型
• 低参与型

这种分析往往比简单按成绩分层更有启发性。

4. 异常样本发现

聚类除了能发现“群体”，也能帮助识别那些明显“不合群”的样本。

比如：

• 异常订单
• 可疑账号
• 特殊病例
• 数据录入错误

当某些样本和大多数数据差异很大时，它们就可能值得单独关注。

六、聚类中的“相似”到底是什么意思？

这是理解聚类时必须想明白的一个问题。

我们总说“把相似的放在一起”，
但问题是：什么叫相似？

在数据分析里，“相似”通常不是靠主观感觉判断，而是通过特征和距离来度量。

举个简单例子。
如果两个学生在下面这些指标上都很接近：

• 出勤率
• 成绩
• 互动频率
• 作业完成率

那么我们就可以认为，这两个学生比较相似。

很多聚类算法都会把每条数据看成空间中的一个点，再根据这些点之间的距离来判断谁更接近。
不同算法对“相似”的理解方式不完全一样，这也是为什么会有不同的聚类方法。

所以聚类并不只是“分组”这么简单，它真正回答的是：

哪些数据更接近，接近到什么程度可以归为一类？

七、聚类算法有哪些类型？

聚类并不是只有一种方法，而是一整个算法家族。
常见的聚类方法大致可以分成下面几类：

理解这个分类，有助于你后面系统学习不同聚类算法。

1. 划分方法

划分方法会直接把数据分成若干组。
通常需要先指定要分成多少类，然后通过不断调整样本归属来改进聚类结果。

最典型的代表就是：

• K-Means

这也是很多人学习聚类时接触的第一个算法。

2. 层次方法

层次聚类会构造一个分层结构。
它有两种常见思路：

• 凝聚式：从小到大，不断合并
• 分裂式：从大到小，不断拆分

你可以把它理解成：

• 凝聚式：一开始每个点各自成类，后来逐步并成更大的簇
• 分裂式：一开始所有点在一起，然后逐步拆开

3. 基于密度的方法

这类方法更关注数据在局部区域里的“密集程度”。

如果某个区域点很多、分布很密，就可能被看作一个簇；
而那些周围点很少、比较孤立的样本，则可能被识别为噪声或异常点。

典型代表是：

• DBSCAN

这类方法的一个明显优点是：
它更适合处理形状复杂的数据簇，也更适合带有噪声的数据。

4. 概率模型方法

这类方法会从“数据由哪些概率分布生成”的角度来理解聚类。

对于初学者来说，这一类方法可以先有个概念。
在入门阶段，更重要的是先把 K-Means、层次聚类和 DBSCAN 这些经典方法的思路建立起来。

八、聚类和分类的差异，可以用一张表看清楚

如果你刚入门，只要记住一句话就够了：

分类是在已有标签下学习判断规则，聚类是在没有标签时发现数据分组。

九、为什么说聚类不是“低配版分类”？

有些人刚学到聚类时会觉得：

“不就是没标签的分类吗？”

这种理解并不准确。

因为聚类不是分类的简化版，它有自己独立的问题和难点。

分类的难点

主要在于：

• 如何学到一个能泛化的判别规则
• 如何在新样本上预测得更准

聚类的难点

主要在于：

• 数据到底能不能被自然分组
• 应该分成几类才合理
• 用什么标准衡量分组质量

也就是说，聚类最麻烦的地方往往不是“怎么分”，而是：

你怎么判断这样分是不是合理。

十、聚类结果怎么判断好不好？

这一篇先不展开讲具体算法，但可以先建立一个基本认识：

分类通常有明确标签，所以比较容易判断预测是否正确。
而聚类很多时候没有标准答案，因此评估反而更难。

通常有两种思路：

1. 有参考答案时

如果你手上恰好有真实类别信息，就可以把聚类结果和真实类别进行比较，看看它们的一致程度。

2. 没有参考答案时

如果没有真实标签，就只能从聚类结果本身去判断，比如看：

• 同一簇内部是否足够紧凑
• 不同簇之间是否足够分离

这也是为什么聚类不仅仅是“跑一个算法”，还需要进一步做评估和分析。

十一、本文总结

这篇文章主要回答了一个问题：

什么是聚类？它和分类到底有什么区别？

可以把核心内容概括成下面几点：

• 聚类的目标是把相似的数据归为一组，把差异较大的数据尽量分开
• 聚类属于无监督学习，不依赖事先给定的标签
• 分类是“根据已有标签学习判断规则”，聚类是“在没有标签时发现潜在结构”
• 聚类常见应用包括用户分群、商品分组、行为分析和异常发现
• 聚类并不是一种单一算法，而是一类方法的统称
• 聚类的难点不只是“怎么分组”，还包括“如何判断分组是否合理”

如果你是第一次接触聚类，先记住下面这句话就够了：

分类是在知道答案的情况下做判断，聚类是在不知道答案的情况下找规律。