三种聚类算法在鸢尾花数据集上的对比与调参指南

简介：一套基于鸢尾花数据集的三种聚类算法 Python 代码包，面向机器学习初学者与数据分析人员，用于掌握无监督学习中的 K-Means、合并聚类和 DBSCAN，并通过同一份数据直观对比不同算法的聚类效果。资源既包含三种算法的核心实现代码，也给出在鸢尾花数据集上的可直接运行示例，同时附有 Word 版说明文档，系统讲解各算法的原理步骤与关键差异，例如 K-Means 需要预置簇数且受初始中心影响，合并聚类通过相似度逐层聚合，DBSCAN 则依赖邻域半径与最小样本数识别任意形状簇。压缩包共 6 个文件，以 .py 源码和 .doc 说明文档为主，整体仅 433KB，轻量便携，下载解压后即可对照运行或二次改进，适合课堂教学、课程设计和自学实践。目前已有 2320 人学习下载，代码注释清晰、输出结果易于追踪，是快速上手并落地聚类算法的实用资源。

1. 三种聚类算法在同一份鸢尾花数据上做对照：这份代码到底在验证什么

做聚类实验的人，十有八九第一份数据就是鸢尾花（Iris）。150 条样本、4 个特征、3 个类别，小到能逐行检查，又刚好能暴露不同聚类算法之间的本质差异。k均值、合并聚类和 DBSCAN 对同一份 Iris 数据集聚类，表面上只是三个脚本并排跑，实际上回答的是三个完全不同的问题：数据里有没有球形簇、簇能否按层次结构合并、密度不均时边界在哪里。这篇笔记把三类算法的代码、参数和评估口径拆开讲，适合正在赶机器学习作业、或者想把手头无标签数据快速跑通一遍的从业者。看完你能直接得到三张聚类图、一套评估指标，并且知道每个结果怎么解释、哪里最容易翻车。

2. 鸢尾花数据集与算法选型：为什么三套逻辑差异这么大的算法都拿它当试金石

2.1 Iris 数据集的结构与“有标签却做无监督”的实验边界

鸢尾花数据集由 Fisher 在 1936 年整理，sklearn里直接load_iris()就能拿到。150 条样本分成 setosa、versicolor、virginica 三类，每类 50 条，每条有花萼长度、花萼宽度、花瓣长度、花瓣宽度四个数值特征。这里有个容易混淆的点：在无监督聚类任务里，这 150 个真实标签是被“封存”的，算法在训练阶段看不到类别，标签只在最后评估时拿出来做对照。

from sklearn.datasets import load_iris import pandas as pd iris = load_iris() X = iris.data # 特征矩阵，150x4，单位是厘米 y = iris.target # 真实标签，0/1/2，仅用于事后评估 feature_names = iris.feature_names df = pd.DataFrame(X, columns=feature_names) df['label'] = y print(df.describe())

逻辑说明：load_iris()返回一个 Bunch 对象，data是特征矩阵，target是整数标签。上面把数据转成 DataFrame 是为了先看分布——花萼长度在 4.3 到 7.9 之间，花瓣长度在 0.1 到 6.9 之间，意味着花瓣特征的方差远大于花萼特征。这个量纲差异直接决定后面的 DBSCAN 必须做标准化，否则 eps 参数会完全失效。

实验边界在于：我们拿着有标签的数据做无监督，目的是对比算法在“不知道答案”时的表现。真实标签不能参与任何训练参数的选择，比如不能因为知道有三类就把 K-Means 的 K 硬定为 3，然后说模型很准——这在教学演示里常见，但实际落地时你的数据往往根本没有标签，K 要靠轮廓系数等内部指标来选。

2.2 三种算法的划分逻辑：从“先定 K”到“密度可达”

K-Means 的思路是：预先指定 K 个簇，随机初始化 K 个中心，然后迭代两步——把每个样本分给最近的中心，再重新计算中心位置，直到中心不再变化。它对簇形状的默认假设是“凸的、近似等方差的球形簇”，这也是它处理 Iris 时天然吃亏的地方：Iris 里 versicolor 和 virginica 两类在特征空间中有重叠，实心球假设会让边界处的样本被随机劈开。

合并聚类（Agglomerative Hierarchical Clustering）走的是另一条路：一开始每个样本自己是一个簇，然后按距离不断合并最近的两个簇，直到剩下一个簇。整个过程形成一棵树，你可以在任意高度“切一刀”得到任意数量的簇。它的优势是不用提前定 K，而是看树状图决定在哪里切；缺点是计算复杂度高，150 条样本没问题，几万条样本就要考虑用linkage='ward'配合距离矩阵的优化实现。

DBSCAN 完全抛弃了“中心”和“树”的概念。它把样本分成核心点、边界点和噪声点三类：如果一个点的 eps 邻域内样本数不少于 min_samples，它就是核心点；核心点之间通过“密度可达”连成簇；落单的样本就是噪声。DBSCAN 不需要指定簇个数，能发现任意形状的簇，还能显式标出离群点。代价是两个参数 eps 和 min_samples 对结果极其敏感，而且在高维数据上“密度”这个概念会退化。

三种算法在 Iris 上的对照，本质上是在问同一个问题：这份数据的簇结构到底更像球形、层次型还是密度型？Iris 的正确答案是“近似球形但有部分重叠”，所以 K-Means 和 ward 合并聚类通常表现接近，DBSCAN 则要看参数配得怎么样。这个判断对实际项目很有参考价值——拿到新数据时，先想清楚簇的形状假设，再选算法，比逐个试错快得多。

2.3 预期表现与核心难点：setosa 好分，另两类才是真正的分水岭

把三种算法放在同一份数据上，本质是做一次受控对照实验。Iris 的第一个类别 setosa 和其他两类线性可分，所以几乎所有算法都能把它干净地分出来；真正的难点在 versicolor 和 virginica，这两类在花瓣特征上有明显重叠区域。

预先知道这个结构对调参很有帮助：如果聚类结果连 setosa 都分错了，说明代码有 bug 或者特征没有标准化；如果只是 versicolor 和 virginica 混在一起，那是数据本身重叠导致的贝叶斯误差，不是算法实现的问题。我一般建议先用seaborn.pairplot或散点矩阵看一眼原始特征分布，再跑算法，否则你连“这个结果对不对”都判断不了。

比如花瓣长度和花瓣宽度两个特征就能把三类分得七七八八，而花萼宽度单独拿出来几乎没有区分度。这意味着如果你用全部 4 个特征做聚类，花萼宽度反而会引入噪声，让重叠变得更严重。实践里不少人只取花瓣长度和花瓣宽度两个特征跑聚类，效果往往比四维全量更好，这并不是偷懒，而是特征选择本身就嵌在聚类流程里。

3. 用 Python 跑通三类算法的核心代码：参数怎么设、结果怎么看

3.1 K-Means：K 值选择、随机初始化与聚类中心解读

K-Means 在 sklearn 里的调用非常成熟，但有两个新手最容易忽略的参数：n_init和random_state。n_init表示用多少组不同的随机中心去跑，最后保留代价函数最小的那组结果，默认是 10；random_state固定随机种子，让结果可复现。后面避坑章节会专门讲这个问题，这里先跑通。

from sklearn.cluster import KMeans from sklearn.preprocessing import StandardScaler scaler = StandardScaler() X_scaled = scaler.fit_transform(X) kmeans = KMeans(n_clusters=3, init='k-means++', n_init=10, random_state=42, max_iter=300) kmeans.fit(X_scaled) print('聚类标签:', kmeans.labels_[:20]) print('聚类中心:', kmeans.cluster_centers_)

逻辑说明：先标准化再聚类是这里的关键一步。K-Means 用欧氏距离衡量样本相似度，如果花瓣长度（方差大）和花萼宽度（方差小）不做标准化，前者会在距离计算里占据绝对主导，相当于你只用了两个特征。init='k-means++'是默认也推荐的初始化方式，它让初始中心尽量分散，减少落到局部最优的概率。

参数说明：n_clusters=3在本实验里是为了和真实三类做对照，实际无标签场景应该换用轮廓系数或其他内部指标来确定 K，后面第四章会讲；max_iter=300是单次迭代上限，Iris 这种小数据几十次迭代就收敛了，不需要动；random_state=42保证每次跑出来完全一致。

运行完可以看两个东西：一是kmeans.labels_和真实标签的对应关系，注意聚类标签的编号是任意的，0/1/2 和真实类别的对应可能要映射，直接数一致数会误以为准确率很低；二是聚类中心在标准化空间里的坐标，如果配合scaler.inverse_transform把它还原成原始单位，能得到“每个簇的平均花萼长度、平均花瓣长度”这类可解释的结论。

3.2 合并聚类：三种 linkage 策略在 Iris 上的差异

合并聚类的核心参数是linkage，它决定“两个簇之间的距离”怎么定义。常见的三种：ward用合并后簇内方差增量，倾向生成大小相近的球状簇；complete用两个簇最远样本的距离，对噪声敏感；average用所有样本对距离的平均，介于两者之间。Iris 上建议直接用ward，它和 K-Means 的假设最接近，也是实际项目中默认首选。

from sklearn.cluster import AgglomerativeClustering from scipy.cluster.hierarchy import dendrogram, linkage import matplotlib.pyplot as plt # 直接聚类 agg = AgglomerativeClustering(n_clusters=3, linkage='ward') agg_labels = agg.fit_predict(X_scaled) # 画树状图（需要先用 scipy 重新算 linkage 矩阵） Z = linkage(X_scaled, method='ward') plt.figure(figsize=(10, 6)) dendrogram(Z, truncate_mode='level', p=5) plt.title('Ward 合并聚类的树状图（截断显示）') plt.ylabel('簇间距离') plt.show()

逻辑说明：AgglomerativeClustering适合直接拿聚类结果，但它不保留树状图的中间过程；要看树得用scipy.cluster.hierarchy.linkage单独算一次 Z 矩阵。dendrogram画出来的横轴是样本索引，纵轴是合并时的距离，距离越大说明两个簇越晚被合并、差异越大。

参数说明：truncate_mode='level', p=5表示只显示最上面 5 层合并，因为 150 个样本的完整树状图横轴会挤成一团。树状图在 Iris 上的典型特征是：setosa 那一支在很低的距离就独立成形，versicolor 和 virginica 在高得多的距离才分开，这个距离差就是后面判断“该切几刀”的依据。

一个常见误用：直接用AgglomerativeClustering的n_clusters=3而不看树状图，等于放弃了合并聚类最大的优势。正确的做法是先画树状图，看最大的几个“高度落差”在哪里，再回到n_clusters那一刀。Iris 上通常在高度约 5 到 8 的位置有明显的分叉，切在那里得到 3 簇左右最合理。

3.3 DBSCAN：eps 和 min_samples 的参数配对方法

DBSCAN 的两个参数比 K-Means 的 K 难调得多。eps是邻域半径，min_samples是成为核心点的最少样本数。经验上min_samples先取2 * 特征维度，这里特征维度是 4，所以先取 8 左右；eps则要画 k-distance 图来确定——计算每个样本到它第min_samples个最近邻居的距离，排序后找拐点。

from sklearn.cluster import DBSCAN from sklearn.neighbors import NearestNeighbors import numpy as np # 方法一：直接跑，先给一组保守参数 db = DBSCAN(eps=0.5, min_samples=8).fit(X_scaled) print('簇标签（-1 表示噪声）:', db.labels_) print('簇个数:', len(set(db.labels_)) - (1 if -1 in db.labels_ else 0)) # 方法二：k-distance 图辅助定 eps nn = NearestNeighbors(n_neighbors=8).fit(X_scaled) distances, _ = nn.kneighbors(X_scaled) k_dist = np.sort(distances[:, -1]) # 每个样本到第 8 近邻居的距离 plt.plot(k_dist) plt.xlabel('样本序号（按距离排序）') plt.ylabel('第 8 近邻距离') plt.title('k-distance 图，拐点处对应合适 eps') plt.show()

逻辑说明：k-distance 图的原理是，簇内样本的第 8 近邻距离普遍较小，噪声样本的距离会突然变大，图上会出现一个明显的“肘部”，这个肘部对应的纵坐标就是合理的 eps。Iris 标准化之后，肘部通常在 0.4 到 0.8 之间，所以上面先用 0.5 试跑。

参数说明：eps=0.5对标准化后的 Iris 通常能分出 2 到 3 个簇，但很容易把 versicolor 和 virginica 的一部分标成噪声；min_samples=8偏大时噪声点变多，偏小时会把边界样本也变成核心点，簇的边界变得破碎。DBSCAN 另一个特点是它的标签里-1是噪声，统计簇个数时必须先排除-1，这个细节很多人头一次跑都会漏。

DBSCAN 在 Iris 上的表现通常弱于 K-Means 和 ward 合并聚类，原因是 Iris 的类分布更接近“球形加部分重叠”，而不是“密度不均的任意形状”。这不是 DBSCAN 的缺陷，而是它的适用场景不同——如果你的数据有大量离群点、簇形状是长条形或月牙形，DBSCAN 才会明显胜出。

3.4 一张图跑通三种算法：聚类结果并排可视化的完整脚本

把上面三段捏成一个脚本，输出三张子图，是最常见的交付形态。可视化时注意两点：一是用 PCA 降维后的轴而不是原始特征轴，Iris 四个特征里取前两个 PCA 分量通常能解释 95% 以上的方差，画出来更干净；二是给每个子图标注算法名和簇个数，不要把三个图混在一起。

from sklearn.decomposition import PCA pca = PCA(n_components=2, random_state=42) X_pca = pca.fit_transform(X_scaled) fig, axes = plt.subplots(1, 3, figsize=(15, 4)) results = [ ('K-Means', kmeans.labels_), ('合并聚类(ward)', agg_labels), ('DBSCAN', db.labels_) ] for ax, (name, labels) in zip(axes, results): scatter = ax.scatter(X_pca[:, 0], X_pca[:, 1], c=labels, cmap='viridis', s=20, alpha=0.8) ax.set_title(name) ax.set_xlabel('PC1') ax.set_ylabel('PC2') ax.legend(*scatter.legend_elements(), title='簇') plt.tight_layout() plt.show()

逻辑说明：PCA(n_components=2)把四维标准化特征压成两维，X_pca只是用于画图，聚类本身仍然在四维的X_scaled上完成，顺序不要搞反。三个算法都使用同一个X_scaled，保证对比公平。

参数说明：cmap='viridis'是色盲友好的配色，s=20控制点大小，alpha=0.8让重叠的点稍微透明。如果 DBSCAN 的图里出现大片灰色（-1 噪声），说明 eps 太小或 min_samples 太大，回到 k-distance 图重新取值。跑完这张图，你就能直观看到 K-Means 和 ward 的结果几乎相同，DBSCAN 则多出若干噪声点——这个对比本身就是结论。

4. 聚类效果评估：轮廓系数、ARI 与 NMI 怎么搭配使用

4.1 无监督内部指标：轮廓系数能告诉你什么

没有真实标签时，只能用内部指标评估聚类质量。轮廓系数（Silhouette Coefficient）是最常用的一种：对每个样本，计算它到同簇其他样本的平均距离 a，以及到最近其他簇样本的平均距离 b，轮廓系数就是 (b - a) / max(a, b)。取值范围在 -1 到 1 之间，越接近 1 说明簇内紧致、簇间分离。

from sklearn.metrics import silhouette_score, calinski_harabasz_score, davies_bouldin_score for name, labels in [('K-Means', kmeans.labels_), ('合并聚类', agg_labels), ('DBSCAN(含噪声)', db.labels_)]: # DBSCAN 的 -1 噪声样本需要剔除，否则指标会失真 if -1 in labels: mask = labels != -1 sc = silhouette_score(X_scaled[mask], labels[mask]) else: sc = silhouette_score(X_scaled, labels) print(f'{name}: 轮廓系数={sc:.3f}')

逻辑说明：轮廓系数的输入是特征矩阵和聚类标签，不需要真实标签。上面代码处理了一个隐蔽问题：DBSCAN 的噪声点-1会被误认为一个簇，导致轮廓系数计算失真，所以先mask掉。实际报结果时，DBSCAN 要同时报告“剔除噪声后的轮廓系数”和“噪声占比”两个数。

参数说明：calinski_harabasz_score也叫方差比准则，值越大越好；davies_bouldin_score值越小越好。这三个内部指标在 Iris 上通常给出一致的排序：K-Means 和 ward 合并聚类接近，DBSCAN 剔除噪声后三者接近，但 DBSCAN 的噪声率会拖累它的工程可用性。

轮廓系数的局限也要讲清楚：它只衡量几何紧致度，完全不看真实标签。一个极端例子是把 Iris 按花瓣长度中位数一分为二，轮廓系数可能很高，但这两半里都混着三个真实类别——所以内部指标只能用来筛参数和诊断，不能用来证明“聚类找到了真实结构”。

4.2 有监督对照指标：ARI 与 NMI 的正确解读

因为 Iris 有真实标签，我们还能用外部指标做“开卷考试”。调整兰德指数（ARI）和归一化互信息（NMI）都考虑了随机划分的基线，取值范围最大为 1，接近 0 表示和随机划分差不多。ARI 对簇结构更敏感，NMI 对类别分布更鲁棒，实践里两个都报。

from sklearn.metrics import adjusted_rand_score, normalized_mutual_info_score for name, labels in [('K-Means', kmeans.labels_), ('合并聚类', agg_labels), ('DBSCAN', db.labels_)]: if -1 in labels: mask = labels != -1 ari = adjusted_rand_score(y[mask], labels[mask]) nmi = normalized_mutual_info_score(y[mask], labels[mask]) print(f'{name}: ARI={ari:.3f}, NMI={nmi:.3f} (噪声样本 {np.sum(labels == -1)} 个已剔除)') else: ari = adjusted_rand_score(y, labels) nmi = normalized_mutual_info_score(y, labels) print(f'{name}: ARI={ari:.3f}, NMI={nmi:.3f}')

逻辑说明：adjusted_rand_score把聚类结果和真实标签做排列匹配，它自动处理了标签编号不一致的问题——聚类把 setosa 标成 0 还是 2 都不影响得分。在 Iris 上 K-Means 的 ARI 通常在 0.7 左右，不是 0.99，因为 versicolor 和 virginica 的重叠区域样本无论怎么分都会被判错，这是数据本身的贝叶斯误差。

参数说明：NMI 的默认平均方式是'arithmetic'，样本不平衡时可以考虑'geometric'；这两个指标对 DBSCAN 噪声的处理必须显式说明，剔除噪声样本后再算，否则等于默认把噪声当作一个簇，得分会虚高或虚低。

这里要顺便纠正一个常见误解：聚类“准确率”不是随便算的。如果直接把聚类标签和真实标签逐位对比，因为标签编号错位，准确率可能只有 30%，但这不代表算法差。ARI 已经隐式做了标签匹配，所以报告里优先用 ARI 而不是手工匹配后的准确率。周志华《机器学习》里对聚类性能度量也是分外部指标和内部指标两类讲，这个分类本身就是行业通行的口径。

4.3 三个指标怎么组合使用：一套实用的判读顺序

指标要用组合拳，不能单看一个。我一般按这个顺序判读：先看轮廓系数，低于 0.4 说明聚类结构本身弱，先回头检查标准化和特征选择；再看 ARI，它告诉你和真实标签的吻合度，在 Iris 这种有标准答案的数据上最有说服力；最后看噪声占比，DBSCAN 超过 20% 的噪声就基本不可用了。

这套判读顺序在无标签数据上要稍作调整：没有 ARI 就用轮廓系数加簇个数一起看，再结合业务方对“簇的语义”的判断。比如一个簇如果同时包含高价值和低价值客户，即使几何上很紧致，业务上也没有意义——聚类最终要服务于解释，不是服务于分数。

上面这个表是我做实验报告时的固定格式。每个算法两到三个指标，不多报，因为每多一个数字就要多解释一层，报告反而难读。评估还有一个实际作用：参数调优。比如 DBSCAN 的 eps 在 0.2 到 1.5 之间扫一遍，每个值跑一次聚类、算一次轮廓系数和 ARI，画出曲线，就能看到参数变化的敏感区间。这个“参数—指标”曲线比单点调参可靠得多，第六节会给具体代码。

5. 避坑指南：鸢尾花聚类最容易翻车的六个细节

5.1 现象：K-Means 每次运行结果完全不一样

第一次跑 K-Means 没设random_state，第二次跑簇标签变了，甚至某个样本的归属在两个簇之间横跳。原因是 K-Means 对初始中心敏感，不同随机种子可能收敛到不同的局部最优。

原因：n_init虽然会跑多组初始中心，但随机种子不同，多组中心的组合也不同，最终选出的最优解可能有微差。在 Iris 这种有重叠的数据上，边界样本的归属本来就模糊，随机性就会被放大。

解决：固定random_state=42（或其他任意整数）让实验可复现；如果要做多种子实验，也要固定一组种子列表并记录每个种子的代价函数值。正式交付的代码里，不设随机种子的 K-Means 是不允许上线的，因为你没法向别人解释“为什么昨天跑的和今天跑的不一样”。

5.2 现象：DBSCAN 画出来要么全是噪声，要么只有一个大簇

eps=0.2跑出来满屏灰色噪声，eps=2.0跑出来所有样本合为一类，中间值怎么调都不对。

原因：特征没有标准化。原始特征里花瓣长度的方差远大于花萼宽度，欧氏距离被花瓣长度主导，eps 的尺度完全错乱。这是 DBSCAN 最常见的失败方式，比 K-Means 严重得多，因为 K-Means 好歹会用 k-means++ 缓解一下，DBSCAN 对距离尺度没有任何补救。

解决：先StandardScaler标准化，再用 k-distance 图找拐点。标准化后 eps 的合理区间一般在 0.3 到 1.5 之间，扫参时优先在这个区间画曲线。记住一个经验：DBSCAN 调参前先问自己一句“所有特征是否已经缩放到同一量纲”，这一步能省掉一半的调参时间。

5.3 现象：合并聚类的树状图横轴挤成一团，根本看不清

150 个样本的完整树状图横轴密密麻麻，标签叠在一起，无法判断该在哪里切。

原因：完整树状图在样本量大于 50 时横轴就会拥挤，这是可视化问题，不是算法问题。很多人第一次看到这团“黑毛线”就以为代码写错了，其实只是没做截断显示。

解决：用truncate_mode='level', p=5只显示顶层合并，或者把dendrogram的orientation改为横放。更重要的是，不要靠肉眼数树状图的分支，而是看合并高度差量化判断——相邻合并的高度差最大的地方就是最佳切割点。可以顺手把Z矩阵里的高度列打印出来，用np.diff找最大落差的位置。

5.4 现象：轮廓系数很高，但 ARI 很低，结果自相矛盾

K-Means 跑出轮廓系数 0.6，结果 ARI 只有 0.5，感觉算法“高分低能”。

原因：轮廓系数衡量的是簇的几何紧致度，不关心簇是否匹配真实类别。如果真实类别有重叠，算法可以切出几何上非常漂亮的球形簇，但把两个真实类别的边缘样本归错了——几何指标照样给高分。

解决：有标签就用 ARI/NMI 做主指标，轮廓系数做诊断辅助；无标签时承认轮廓系数有局限，结合簇个数和业务可解释性判断。不要拿几何指标证明“聚类很准”，这就像说一个盒子排列整齐所以里面装的东西一定是对的，逻辑上站不住。

5.5 现象：DBSCAN 结果里噪声点特别多，簇却只有一个

有时 eps 怎么调，DBSCAN 都倾向于把一大部分样本标为噪声，剩下的粘成一个簇，看不到“多簇”结构。

原因：Iris 标准化后密度分布比较均匀，没有明显的密度分离，DBSCAN 在这种数据上本就表现一般。它在“密度有高低起伏”的数据上才发挥优势，Iris 不是它的主场。

解决：换用 K-Means 或 ward 合并聚类做主打，DBSCAN 只作为“离群点检测器”使用，看它标出的噪声是否对应真实的异常样本。如果业务上确实要 DBSCAN 出多簇，考虑先降维或改用 HDBSCAN，但这是另一个方向了。强行让 DBSCAN 在 Iris 上出三个簇，等于逼它做不擅长的事，结果一定别扭。

5.6 现象：三维散点图看不出聚类效果，颜色混在一起

用matplotlib的Axes3D画了三维散点图，转半天角度也看不清簇边界。

原因：三维可视化把四个特征压成三个，重叠区域的视觉遮蔽反而比二维更严重，旋转带来的信息量不足以抵消透视变形。而且三维图在纸面和屏幕上展示时，深度方向的遮挡会让读者误判簇的分离程度。

解决：Iris 这种低维数据，用 PCA 降到二维画图比三维图清晰得多；如果非要用三维，固定一个视角并分别画簇的轮廓，不要指望单张图说明问题。真正的簇结构判断交给指标，图片只是给读者看的证据——这也是为什么第四章的指标表比任何一张散点图都重要。

6. 进阶：把三类算法变成一份可复现、可交付的聚类比对报告

6.1 封装一个统一的聚类流程函数

散落的脚本只能自己跑，交付给团队或写进实验记录就需要封装。我习惯把“标准化 → 聚类 → 评估 → 可视化”包成一个函数，传入算法名和参数，返回指标字典和图像。这样换数据集、换参数都只改一行。

def run_clustering(name, model, X, y, pca_components=2): from sklearn.preprocessing import StandardScaler scaler = StandardScaler() Xs = scaler.fit_transform(X) labels = model.fit_predict(Xs) noise_mask = labels != -1 if -1 in labels else None # 统一指标计算入口 metrics = {} if noise_mask is not None: metrics['noise_ratio'] = (labels == -1).mean() eff_labels = labels[noise_mask] eff_X = Xs[noise_mask] eff_y = y[noise_mask] else: eff_labels, eff_X, eff_y = labels, Xs, y metrics['silhouette'] = silhouette_score(eff_X, eff_labels) metrics['ari'] = adjusted_rand_score(eff_y, eff_labels) metrics['nmi'] = normalized_mutual_info_score(eff_y, eff_labels) metrics['n_clusters'] = len(set(eff_labels)) # PCA 投影用于画图 pca = PCA(n_components=pca_components, random_state=42) Xp = pca.fit_transform(Xs) return metrics, Xp, labels

逻辑说明：函数内部先标准化再聚类，保证调用方不会忘记缩放；noise_mask把 DBSCAN 的特殊情况统一处理掉，噪声占比作为额外指标返回。pca_components默认 2，画图用；聚类始终在标准化后的原始维度上做，PCA 只影响可视化。

参数说明：model是已经配好参数的 sklearn 估计器对象，调用fit_predict时保持接口一致。这个函数的输出是(metrics, Xp, labels)三元组，便于在循环里攒成表格。调用方可以这样用：model = KMeans(n_clusters=3, random_state=42)，一行就能拿到指标和绘图数据。

6.2 参数网格扫描：用一张折线图定 DBSCAN 的 eps

与其一次次改参数重跑，不如把 eps 的候选值列出来一次跑完，同时记录轮廓系数和 ARI，你会直观看到参数敏感区间。这个做法同样适用于 K-Means 扫 K 值——把n_clusters从 2 到 8 各跑一遍，画一条“K—轮廓系数”曲线，取拐点处的 K。

candidates = np.linspace(0.2, 1.5, 20) sil_scores, ari_scores, n_clusters_list = [], [], [] for eps in candidates: db = DBSCAN(eps=eps, min_samples=8) labels = db.fit_predict(X_scaled) mask = labels != -1 if len(set(labels[mask])) < 2 or mask.sum() < 10: sil_scores.append(np.nan) ari_scores.append(np.nan) else: sil_scores.append(silhouette_score(X_scaled[mask], labels[mask])) ari_scores.append(adjusted_rand_score(y[mask], labels[mask])) n_clusters_list.append(len(set(labels)) - (1 if -1 in labels else 0)) # 画双轴折线图 fig, ax1 = plt.subplots() ax1.plot(candidates, sil_scores, 'o-', label='轮廓系数') ax1.plot(candidates, ari_scores, 's--', label='ARI') ax1.set_xlabel('eps') ax1.set_ylabel('得分') ax2 = ax1.twinx() ax2.bar(candidates, n_clusters_list, alpha=0.2, label='簇个数') ax2.set_ylabel('簇个数') plt.legend() plt.show()

逻辑说明：代码里加了两个保护条件——有效样本少于 10 个或者只有 1 个簇时，指标没有意义，直接记为 NaN。twinx()生成双 y 轴，左边是得分，右边是簇个数，一眼就能看出“eps 多大时簇个数稳定、得分最高”。

参数说明：np.linspace(0.2, 1.5, 20)把 eps 在 0.2 到 1.5 之间均匀取 20 个值，这一步把离散的调参变成连续观察；min_samples=8保持之前定好的值。实际跑出来的典型结果是：eps 在 0.4 附近 ARI 出现峰值，之后簇个数快速下降，这个“肩部”就是最优区间，不需要追求唯一精确值。

6.3 用一份表格把结果落成报告，以及三个值得再试的方向

聚类实验做完，交付物不是图，而是一张汇总表。我通常按算法一行、指标一列组织：簇个数、轮廓系数、ARI、NMI、噪声占比。Iris 这份数据跑完，典型结果是 K-Means 和 ward 的 ARI 都在 0.7 左右，DBSCAN 调好参数后 ARI 接近但噪声占比 5% 左右。这张表写进实验记录，谁都能复现——这才是“聚类代码.zip”真正该有的价值。

如果做完这份对照还想往深走，我给你三个方向。第一，把特征维度从 4 个缩减到 2 个（只留花瓣长宽），重新跑一遍三套算法，你会看到 ARI 普遍提升，这能帮你理解特征选择对聚类的真实影响。第二，给数据人为加 10 个离群点，再看 DBSCAN 和 K-Means 的表现差异——DBSCAN 会把这 10 个点全部标成噪声，K-Means 则会硬把它们塞进最近的簇里，这个对比比任何理论都直观。第三，换一份形状完全不同的数据集（比如 sklearn 的make_moons），你会看到 DBSCAN 和 K-Means 的排名直接反转。

做聚类这份数据多年，我最深的体会是：三种算法跑在同一份 Iris 上，比的不是谁更准，而是谁更适合问题的形状假设。K-Means 适合球形簇加快速迭代，合并聚类适合需要解释层次关系的场景，DBSCAN 适合密度不均和噪声明确的数据。调参之前先问一句数据长什么样，比任何参数搜索都管用。每次拿到一份新的无标签数据，我都会先画分布、定形状假设、再选算法，这套流程已经成了反射动作。希望这些踩过的坑和封装好的流程能帮到你，让你拿到一份聚类代码时，不是把它当黑匣子跑完就扔，而是能拆开、能调参、能解释、能复现。

本文还有配套的精品资源，点击获取