AI 算法 ALG-05

ALG-05

K-Means:没有标签,让数据自己分成几群

  • 入门
  • 聚类

面试频率中:常被问没有标签怎么分群、K 怎么定;手写迭代在 FDE 面经里少见

招聘切入

前面四篇都有「标准答案」:有人标好了是否细查、是否欺诈。现实里很多时候没有标签,客户只说一句:「我们的用户到底有几种?」

K-Means 就是回答这句话的最常见办法:事先说好要分 K 群,算法反复做两件事——把每个点分给最近的中心,再把中心挪到本群的平均位置——直到不再变。 这一篇练三件事:它每一轮在做什么、K 怎么定、为什么特征要先放到同一把尺子上。

甲方企业内部的 FDE(银行保险)常用它做客户分群后给业务看;AI 原生 / 产品公司会问它和向量聚类的关系;大厂云与平台、咨询与系统集成多半要你讲得出「分出来的群有没有业务意义」。

适用场景

  • 手上没有标签,想先看看数据里大概有几类人、几类案例
  • 业务要的是「几个好讲的客群」,而不是一个预测分数
  • 特征是数值,群大致是一团一团的
  • 想给后面的模型或运营活动做一个粗分层

不适用场景

  • 有明确标签、要预测某个结果 → 用前面的分类或回归,不要硬聚类
  • 群的形状很怪(环形、长条、大小悬殊)→ K-Means 偏爱大小相近的圆团
  • 特征混着类别和数字、单位差很大 → 要先处理,否则距离被大数值霸占
  • 业务根本没法解释分出来的群 → 分得再「准」也没人用

场景

一间香港虚拟银行的内部 FDE 团队,产品经理问:「App 用户到底分几种?我们想给不同的人发不同的提示,但没人标过类别。」手上只有每个用户的两个数字:每月登录天数、每月消费(HK$ 千)。

这正是 K-Means 的用法:先分群,再让人看每群像什么、起个名。

概念

一句话:选定 ,随便放 个中心,然后重复「分配」与「更新」,直到分群不再变化。

分配。 每个点算到各中心的欧氏距离,归到最近的那个。

更新。 每个群的新中心,取群里所有点的平均位置:

目标。 让每个点离自己群中心尽量近,也就是最小化群内距离平方和:

K 怎么定。

  • 它不会替你决定。常见做法是试几个 ,看群内距离平方和下降到哪里不再明显变好(「肘部」),再配合轮廓系数之类的指标
  • 更重要的是业务能不能解释:分成 3 群还是 5 群,要看能不能各起一个名、各有不同的动作
  • 初始中心是随机的,不同起点可能得到不同结果。常见做法是多跑几次取最好的,或用 K-Means++ 选起点

特征先放到同一把尺子上。 消费以千港元计、登录以天计,数值范围不同时,距离会被范围大的特征主导。先标准化或缩放,是最容易被追问的一步。

香港落地例子

虚拟银行的 6 个用户,两个特征:每月登录天数、每月消费(HK$ 千)。数字都是教学示意,不是任何银行的数据。

用户登录天数消费(HK$ 千)
A21
B31
C23
D98
E109
F810

取 ,起点故意放得不好:中心 1 在 A,中心 2 在 C。

第一轮分配。 A、B 离中心 1 近(B 到中心 1 为 1.00,到中心 2 为 2.24);C 就是中心 2;D、E、F 也都离 C 更近(距离约 8.6 至 10)。分群:{A, B} 与 {C, D, E, F}。

第一轮更新。 中心 1 变成 (2.5, 1.0),中心 2 变成 (7.25, 7.5)。

第二轮分配。 C 到新中心 1 为 2.06,到新中心 2 为 6.91,改投中心 1;D、E、F 仍在中心 2。分群变成 {A, B, C} 与 {D, E, F}。

第二轮更新。 中心 1 为 (2.33, 1.67),中心 2 为 (9, 9)。

第三轮分配。 分群没有变,停止。起点放得再差,也走到了合理的结果。

业务上就可以读出:一群是「低登录、低消费」,一群是「高登录、高消费」。名字和动作由人来定,比如给前一群发开通更多功能的引导,给后一群提示理财产品。算法只给分群,不给名字。

边界也要写清:

  • 6 个点是为了能手算;真实使用要成千上万,并且先缩放特征
  • 分群是描述,不是因果:高消费群不是「因为」高登录才高消费
  • 换 或换起点,分群可能不同;要和业务一起判断哪种好用
  • 用户行为会变,分群要定期重算,别用一年前的群名对今天的人

同一个想法,换一类雇主,侧重不同:

雇主类型为什么会碰到你该怎么用不该怎么用
甲方企业内部(银行保险、地产、基金)业务要客群,但没人标过分群后和业务一起起名、定动作把分群直接当风险评级
AI 原生 / 产品公司要把大量文本或用户向量先粗分对向量聚类,讲清楚 K 和群的质量怎么看不看群里的样本就上线

面试怎么说

面对银行内部团队的面试官,大约可以说:

“K-means is how I would start when nobody has labeled the data. You pick K, drop K centers, assign every point to its nearest center, move each center to the average of its group, and repeat until nothing changes. Two things matter. First, put the features on the same scale, otherwise something like spend in thousands drowns out login days. Second, K is a business choice as much as a technical one: I would try a few values, look at where the error stops improving, and then ask the team whether each group is something they can name and act on. The groups describe behavior; they do not explain it, and I would rerun them as behavior changes.”

现场用客户习惯的语言(粤语或普通话)带产品经理看每群的几个典型用户,问「你会给这群起什么名字」;最后定下来的 K、特征和重算频率,用英文写进确认邮件或方案。

小练习

下面三件事,哪一件最适合用 K-Means 做第一版?哪一件不适合?各用一句话说出理由。

  1. 物流公司想把几千个送货点按「每周单量、平均重量」分成几种类型,好安排不同的车
  2. 保险公司想预测一张新索偿单是否欺诈,历史上有标好的欺诈记录
  3. 想分出形状像一圈环的异常轨迹点

自测

  1. 同事对「每月消费(港元)」和「登录天数」直接做 K-Means,结果群几乎只按消费切。原因是什么?怎么改?
  2. 面试官说:「假设你在一间咨询公司,客户是零售公司,想要客群分层,但业务说分出来的群『看不懂』。」你会怎么处理?

先写完再打开。

参考答案

小练习

  1. 最适合。 没有标签,要的是几种好讲的类型,数值特征,K-Means 正好。
  2. 不适合。 有标签、要预测欺诈,用分类(如逻辑回归、决策树)。
  3. 不适合。 K-Means 偏爱圆团,环形分不好,要换别的聚类方法。

答到「1 无标签分群;2 有标签用分类;3 形状不适合」即算完整。

自测 1

消费用港元计,数值远大于天数,距离几乎只由消费决定。做法是先标准化或缩放,再聚类,并检查分出来的群里两个特征是否都有区别。答到「尺度不同 + 先标准化 / 缩放」即算完整。

自测 2

先不换算法,回头看群:每群取几个典型客户、各特征的平均值,和业务一起读。看不懂的原因常见有三种:特征选得太杂、K 太大、群之间其实没差别。可以减少特征、换小一点的 K、把群改用业务语言描述(例如「高频低额」「低频大额」),并让业务确认每群有没有不同的动作。如果分出来的群没有可执行的差别,就如实告诉客户这套分法没价值,而不是硬凑。咨询场景要把假设和分群结果写成文档交给客户。答到「看典型客户 + 调特征和 K + 用业务语言命名 + 没价值就如实说」即算完整。

延伸观看

  1. StatQuest: K-means clustering — StatQuest with Josh Starmer 的短解说:怎样分配、更新中心,以及怎么选 K。

上一篇:K 近邻(ALG-04) · 下一篇:随机森林(ALG-06)——很多棵树一起投票,比一棵更稳。 · 回到索引

在 GitHub 上查看源文