聚类这东西，聚类技术说白了就是主包让机器自己学着把相似的东西归堆。你给一堆没标签的聚类技术数据，它不告诉你哪个是主包哪类，而是聚类技术根据数据本身的特征，把挨得近的主包划拉成一伙。我第一次接触是聚类技术在一个电商用户分群的项目里，几百万条购买记录扔进去，主包跑完K-Means出来八个簇，聚类技术其中一簇全是主包半夜下单、客单价低、聚类技术退货率极高的主包账号——后来运营那边一看就笑了，说这批人就是聚类技术薅羊毛的。你看，主包没人提前告诉算法谁是聚类技术羊毛党，它自己从行为数据里把这些人拎出来了。

聚类技术主要分几大流派，划分法、层次法、密度法、网格法，还有基于模型的。划分法里最典型的就是K-Means，你得先告诉它要分几类，它随机撒K个中心点，然后反复调整，直到中心点不怎么动了。这方法快，但毛病也明显：K值得你自己猜，初始点选不好容易陷进局部最优。我试过同一份数据跑十次K-Means，结果能出来三四种不同的分法，后来学乖了，先用肘部法则或者轮廓系数估个大概的K，再跑多次取最优。

层次聚类不预设类别数，它建一棵树，你可以从树根切一刀，也可以从树梢往下看。单链接、全链接、平均链接，区别在于怎么算两个簇之间的距离。单链接容易产生“链式效应”——两个簇明明隔得挺远，但中间有几个点像桥一样连过去，最后被合并成一个长条形的大簇。我在做基因表达数据时踩过这个坑，后来换成Ward方法才把该分开的亚型分开。层次聚类的另一个好处是能出树状图，直观，但数据量一大就慢得让人想砸键盘，O(n²)的时间复杂度不是闹着玩的。

密度聚类里DBSCAN是代表。它不关心形状，只关心密度——一个点周围够不够挤。够挤就是核心点，核心点连成片就是簇，边缘的点按邻域归属，剩下的就是噪声。这方法能找出任意形状的簇，还能自动识别离群点。我做交通轨迹分析时用过，DBSCAN把城市里那些绕圈跑的出租车轨迹聚成了十几条固定线路，而零星乱跑的就被标成噪声。但DBSCAN对参数敏感，邻域半径和最小点数稍微动一下，结果就大变样。而且数据密度不均匀的时候，它基本没辙。

基于模型的方法假设数据来自某种概率分布，比如高斯混合模型。它不像K-Means那样硬分，而是给出每个点属于每个簇的概率。软聚类在某些场景下更合理，比如一个用户既像高价值客户又像流失预警客户，硬分只能选一个，软分能告诉你他60%像前者、40%像后者。我见过一个金融风控的案例，用GMM把交易行为分成几类，重叠部分正好是那些需要人工复核的灰色地带。

网格法像STING，把空间划成格子，在格子层面做聚类，速度快，适合大规模空间数据。但格子大小不好定，太小了格子太多，太大了精度不够。谱聚类则是另一条路子，用图的拉普拉斯矩阵做特征分解，能在非凸数据集上跑出漂亮结果，但计算量大，O(n³)的复杂度让它在大数据面前有点吃力。

实际用的时候很少有人只跑一种算法。我通常先拿K-Means快速摸个底，看看数据大概能分几堆，再用DBSCAN或者层次聚类验证一下边界。有时候还得把聚类结果拿去做降维可视化，t-SNE或者UMAP画出来看一眼，如果簇在二维图上都糊成一团，那多半是特征工程没做好，或者距离度量选错了。聚类没有标准答案，同一个数据集，不同算法、不同参数、不同距离函数，出来的结果可能完全不同。关键是你得清楚自己要解决什么问题——是要找离群点，还是要分群做营销，还是要发现数据的内在结构。目的不同，选的方法和评估标准都不一样。

(责任编辑：热点)