M2-053M2: 经典机器学习聚类Easy
⚡闪卡盲测➔掌握度:
如何选择聚类数 K?列出主要方法。
🎯 深度面试自测闭环(先口述或草拟,再核对解析)
免登录记录进度:核心结论回忆 → 避坑清单自查 → 标记掌握或加入错题队列。
Step 1 · 尝试用 1–2 句话回答这道题的核心结论与适用边界
Step 2 · 勾选已覆盖的陷阱与追问思考
📐 核心数学机理公式
⚡ 一句话直击要害答案
肘部法、轮廓系数、Gap 统计量、BIC/AIC(模型法)、业务可解释性。
📌 核心要点提炼
- •轮廓系数越接近 1 越好
- •肘部法主观,建议多指标交叉验证
📐 数学机理与严密推导
四种方法:① 肘部法(Elbow)——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 轮廓系数(Silhouette)——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;缺点是偏向凸形簇(对非凸簇给低分)。③ Gap 统计量——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 模型法——若用 GMM,可用 BIC/AIC 选分量数(BIC 惩罚更强,倾向更少的分量)。
🏭 深度剖析与工业落地权衡
实践要点:① 不要只依赖单一指标——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 轮廓系数的适用边界——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 稳定性检验——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 层次聚类的树状图——可用 dendrogram 的'最大间隙'辅助选 K。⑤ 业务导向——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 注意 K-means 的 K 与 GMM 的分量数含义不同——GMM 的软分配可容纳重叠,BIC 选的 K 可能大于 K-means 的肘点。
⚠️ 常见面试陷阱与高频失分点
- ✕只用一个指标选 K
- ✕在非凸簇上用轮廓系数判断质量
🎯 面试官连环追问与延伸考察
- ?轮廓系数在非凸簇上可靠吗?
- ?Gap statistic 的思路?
⚡
想检验本题的肌肉记忆?进入 3 阶闪卡主动回忆盲测
隐藏答案遮罩,自测:审题锚点 ➔ 数理公式机理 ➔ 工业标杆代码与连环追问。3 分钟攻破认知盲区!