Clustering Algorithms: 如何选择聚类数 K？列出主要方法。

Core Concept: 肘部法、轮廓系数、Gap 统计量、BIC/AIC（模型法）、业务可解释性。

四种方法：① <strong>肘部法（Elbow）</strong>——画目标函数 J（簇内平方和）随 K 的曲线，找'下降速度明显变缓'的拐点。缺点是拐点常不明确（曲线平滑），主观性强。② <strong>轮廓系数（Silhouette）</strong>——对每个点计算 a（到同簇其他点的平均距离）与 b（到最近其他簇的平均距离），s=(b−a)/max(a,b)∈[−1,1]；取所有点的均值作为该 K 的分数，选最高者。优点是同时反映簇内紧密度与簇间分离度；缺点是<strong>偏向凸形簇</strong>（对非凸簇给低分）。③ <strong>Gap 统计量</strong>——比较 log(J) 与'在数据边界框内均匀生成的参考数据的期望 log(J)'的差；Gap 最大的 K 是候选（还需考虑标准差）。优点是提供了'K=1（无结构）'的检验；缺点是计算贵。④ <strong>模型法</strong>——若用 GMM，可用 BIC/AIC 选分量数（BIC 惩罚更强，倾向更少的分量）。

实践要点：① <strong>不要只依赖单一指标</strong>——不同指标常给出不同答案，应综合多个指标 + 业务可解释性（如营销场景希望簇数对应可执行的用户分层数）。② <strong>轮廓系数的适用边界</strong>——它在凸簇上可靠；对 DBSCAN 等密度聚类，应改用其他指标（如密度有效性指标 DBCV）。③ <strong>稳定性检验</strong>——用不同随机种子/子采样重复聚类，检查簇结构的稳定性（如 ARI 一致性）；不稳定的 K 不可靠。④ <strong>层次聚类的树状图</strong>——可用 dendrogram 的'最大间隙'辅助选 K。⑤ <strong>业务导向</strong>——最终 K 常由可执行性决定（如 K=5 对应 5 类客户画像），而非纯统计最优；此时应报告统计指标作为参考而非唯一依据。⑥ <strong>注意 K-means 的 K 与 GMM 的分量数含义不同</strong>——GMM 的软分配可容纳重叠，BIC 选的 K 可能大于 K-means 的肘点。