1502scikit中的k-means

🎯 教学目标与重难点…

【三维目标】

  • 📚 知识目标：掌握 sklearn.cluster.KMeans 的核心参数（n_clusters、init、n_init、random_state）；掌握 inertia_ 属性的含义与使用；理解手肘法（Elbow Method）确定最优K值的原理。
  • ⚙️ 能力目标：能够使用 KMeans 对二维数据进行聚类并可视化结果；能够使用手肘法绘制“K值 vs inertia”曲线并确定最佳K值；能够使用 StandardScaler 对数据进行标准化预处理。
  • 💡 素养目标：建立“数据预处理 → 模型训练 → 结果评估”的标准实验流程意识；理解“特征尺度差异”对基于距离的算法的影响。

【重点与难点】

  • 🟢 教学重点：KMeans 的代码实现；inertia_ 评估指标的使用；手肘法的原理与代码实现。
  • 🟡 教学难点：理解数据标准化对 k-means 的必要性；理解手肘法中的“肘点”判断（主观性与模糊性）。

📌 一、 课程导入（5 分钟）

​

回顾旧知：上节课学习了 k-means 的核心概念和手算过程。今天的目标是让计算机替我们完成这些繁琐的迭代计算。

展示“成品”： 课前运行一段 k-means 代码，现场演示：

  1. 生成一组二维数据（散点图）。
  2. 运行 KMeans，K=3，自动聚类。
  3. 将聚类结果可视化（不同颜色标记不同簇 + 质心用特殊符号标出）。

核心疑问：

  • 代码只有几行，如何确保结果稳定可靠？
  • K 值应该怎么选？是随便拍脑袋定吗？

本节课路线图：

  1. KMeans 基础代码（训练、预测、可视化）
  2. 关键参数详解（n_init、random_state 的作用）
  3. 手肘法 —— 科学地选择 K 值
  4. 数据标准化 —— 让距离计算更有意义
  • 👨‍🏫 教师活动：在 Jupyter Notebook 中实时演示 KMeans 的完整代码；将 random_state 改为不同值，展示聚类结果的差异。
  • 🧑‍🎓 学生活动：观察聚类结果的可视化图像；思考“为什么同样的数据，不同运行结果会不一样”。

代码演示 + 即时可视化让学生看到“学以致用”的效果。“不同 random_state 导致不同结果”的现象为后续讲解初始化敏感性埋下伏笔。

📖 二、 解决问题过程（一）：KMeans 基础代码

​

1. 最基础的 KMeans 实现

 1import numpy as np
 2import matplotlib.pyplot as plt
 3from sklearn.cluster import KMeans
 4from sklearn.datasets import make_blobs
 5
 6# 生成二维测试数据（方便可视化）
 7X, y_true = make_blobs(n_samples=300, centers=4, 
 8                       cluster_std=0.8, random_state=42)
 9
10# 训练 KMeans 模型（K=4）
11kmeans = KMeans(n_clusters=4, random_state=42)
12kmeans.fit(X)
13
14# 获取聚类结果
15y_pred = kmeans.predict(X)           # 每个样本的簇标签
16centroids = kmeans.cluster_centers_  # 质心坐标
17inertia = kmeans.inertia_            # WCSS 值
18
19print(f"质心坐标：\n{centroids}")
20print(f"WCSS (inertia)：{inertia:.2f}")

2. 可视化聚类结果

1plt.figure(figsize=(8, 6))
2plt.scatter(X[:, 0], X[:, 1], c=y_pred, cmap='viridis', s=50, alpha=0.7)
3plt.scatter(centroids[:, 0], centroids[:, 1], 
4            c='red', marker='X', s=200, linewidths=3, 
5            edgecolors='black', label='质心')
6plt.title('KMeans 聚类结果 (K=4)')
7plt.legend()
8plt.grid(True)
9plt.show()

3. 核心 API 总结

属性/方法 作用
KMeans(n_clusters=K) 创建 KMeans 模型，指定 K 值
.fit(X) 在数据 X 上训练模型
.predict(X) 预测新样本的簇标签
.fit_predict(X) 训练 + 预测（合并调用）
.cluster_centers_ 获取质心坐标（K × 特征数）
.inertia_ 获取 WCSS（簇内平方和）
  • 👨‍🏫 教师活动：逐行运行代码，在每个关键步骤后暂停并解释输出；展示 .cluster_centers_ 与之前手算的“均值”完全对应。
  • 🧑‍🎓 学生活动：在本地复现代码；修改 n_clusters 为 3、5、6，观察图像变化。

将上节课的“质心=均值”概念与 cluster_centers_ 输出对接，让学生看到数学概念在代码中的具体对应，消除“黑盒感”。

💻 三、 解决问题过程（二）：关键参数详解

​

1. 初始化敏感性 —— random_state

问题：k-means 的初始质心是随机选的。不同的初始质心可能导致不同的聚类结果。

演示：

 1fig, axes = plt.subplots(1, 3, figsize=(15, 4))
 2for idx, rs in enumerate([0, 42, 99]):
 3    kmeans = KMeans(n_clusters=3, random_state=rs)
 4    kmeans.fit(X)
 5    axes[idx].scatter(X[:, 0], X[:, 1], c=kmeans.labels_, cmap='viridis', s=30)
 6    axes[idx].scatter(kmeans.cluster_centers_[:, 0], kmeans.cluster_centers_[:, 1],
 7                      c='red', marker='X', s=200)
 8    axes[idx].set_title(f'random_state={rs}\ninertia={kmeans.inertia_:.1f}')
 9    axes[idx].grid(True)
10plt.tight_layout()
11plt.show()

观察结论：不同 random_state 可能导致不同的质心初始位置，最终得到不同的聚类结果和不同的 inertia 值。

2. 解决方案 —— n_init 参数

  • n_init：指定算法用不同的初始质心运行 多次，返回其中 inertia 最小的结果。
  • 默认值：n_init=10（即运行 10 次取最优）。
1# 运行 50 次取最优
2kmeans = KMeans(n_clusters=3, n_init=50, random_state=42)
3kmeans.fit(X)

3. max_iter —— 最大迭代次数

  • 控制每一轮初始化允许的最大迭代步数。
  • 默认值：max_iter=300。
  • 如果数据量很大，可适当增大以保证收敛。

4. 核心参数速查表

参数 默认值 作用 调参建议
n_clusters 8 聚类个数（K值） 使用手肘法确定
init ‘k-means++’ 初始化方法 保持默认（k-means++ 比随机更好）
n_init 10 不同初始值尝试次数 数据大时可增至 20-50
max_iter 300 每轮最大迭代次数 通常够用，可适当增大
random_state None 随机种子 设为固定值以保证结果可复现
  • 👨‍🏫 教师活动：运行三个不同 random_state 的对比代码，展示结果差异；演示 n_init=50 如何找到更优的 inertia。
  • 🧑‍🎓 学生活动：记录三个 random_state 对应的 inertia 值；思考“为什么不同初始质心会导致不同的 inertia”。

通过可视化对比，让学生亲眼看到“随机初始化”带来的问题，再引出 n_init 这个解决方案。这种“问题→解决方案”的教学顺序更能加深记忆。

✍️ 四、 解决问题过程（三）：手肘法确定最优 K 值

​

1. 核心问题：K 值应该选多少？

  • 选太小 → 把不同的群体强行合并（欠拟合）。
  • 选太大 → 把本应为一群的样本打散（过拟合）。

2. 手肘法（Elbow Method）原理

  • 对 K = 1, 2, 3, …, 10，分别训练 KMeans 模型。
  • 记录每个 K 对应的 inertia_（WCSS）。
  • 绘制“K 值 vs inertia”折线图。
  • 观察“肘点”：inertia 下降速度突然变缓的那个 K 值，即为最优 K。

3. 代码实现

 1inertia_list = []
 2K_range = range(1, 11)
 3
 4for k in K_range:
 5    kmeans = KMeans(n_clusters=k, random_state=42)
 6    kmeans.fit(X)
 7    inertia_list.append(kmeans.inertia_)
 8
 9# 绘制手肘图
10plt.figure(figsize=(8, 5))
11plt.plot(K_range, inertia_list, 'bo-', linewidth=2, markersize=8)
12plt.xlabel('K 值（聚类个数）', fontsize=12)
13plt.ylabel('WCSS（簇内平方和）', fontsize=12)
14plt.title('手肘法确定最优 K 值', fontsize=14)
15plt.grid(True, alpha=0.3)
16plt.xticks(K_range)
17plt.show()

4. 分析示例

K 值 inertia 下降幅度
1 8000 —
2 4500 下降 3500
3 2800 下降 1700
4 1800 下降 1000（肘点）
5 1500 下降 300
6 1300 下降 200

观察：K 从 3→4 时下降幅度仍然较大，从 4→5 起下降明显变缓 → 最优 K=4。

  • 👨‍🏫 教师活动：运行手肘法代码，指出图中的“肘点”位置；解释“下降变缓”的物理含义（再增加 K 带来的边际收益递减）。
  • 🧑‍🎓 学生活动：在本地运行手肘法代码；观察自己生成的图中肘点位置是否与真实 K 值一致。

手肘法是实践中最常用的选 K 方法。通过亲手绘制曲线并观察“肘点”，学生获得可复用的工程技能，而非仅停留在理论层面。

📝 五、 课堂小结（5 分钟）

flowchart LR
    root["💻 scikit中的k-means（第二次课）"]

    subgraph C1["📖 核心API"]
        direction TB
        A1["KMeans(n_clusters=K)"]
        A2["fit / predict / fit_predict"]
    end

    subgraph C2["📊 关键属性"]
        direction TB
        B1["cluster_centers_（质心坐标）"]
        B2["inertia_（WCSS值）"]
        B3["labels_（簇标签）"]
    end

    subgraph C3["🔧 关键参数"]
        direction TB
        C1_node["n_init：多次尝试取最优"]
        C2_node["random_state：固定随机种子"]
        C3_node["max_iter：最大迭代次数"]
    end

    subgraph C4["📈 选K方法"]
        direction TB
        D1["手肘法：绘制 K vs inertia"]
        D2["肘点 = 下降变缓处"]
    end

    root --> C1
    root --> C2
    root --> C3
    root --> C4

    style root fill:#e65100,stroke:#bf360c,color:#fff,stroke-width:2px,rx:8px,ry:8px
    style C1 fill:#fff3e0,stroke:#ff9800,stroke-width:1px
    style C2 fill:#e3f2fd,stroke:#1e88e5,stroke-width:1px
    style C3 fill:#e8f5e9,stroke:#43a047,stroke-width:1px
    style C4 fill:#f3e5f5,stroke:#9c27b0,stroke-width:1px

✏️ 随堂检测与互动练习

点击展开：随堂测试题（带解析）

一、 单选题

  1. 在 sklearn 的 KMeans 中，n_init 参数的作用是？
  • A. 指定聚类个数
  • B. 用不同初始质心运行多次，返回最优结果
  • C. 指定最大迭代次数
  • D. 控制算法的并行度
【答案】：

【解析】：B。n_init 是为了解决 k-means 对初始质心敏感的问题，通过多次尝试选择 inertia 最小的结果。

  1. 手肘法中，“肘点”指的是？
  • A. inertia 值最小的点
  • B. inertia 下降速度突然变缓的点
  • C. inertia 值最大的点
  • D. inertia 曲线上的任意点
【答案】：

【解析】：B。肘点是曲线从“快速下降”转为“缓慢下降”的转折点，代表增加 K 值的边际收益开始递减。

二、 代码填空题

题目：现有数据 X，请补充代码完成 KMeans 聚类（K=3），并输出质心坐标和 WCSS 值。

1from sklearn.cluster import KMeans
2
3kmeans = KMeans(n_clusters=____, random_state=42)
4kmeans.____(X)
5centroids = kmeans._______________
6wcss = kmeans.________
7print(centroids, wcss)
【答案】：
  1. 3
  2. fit
  3. cluster_centers_
  4. inertia_

三、 简答题

题目：如果某数据的特征包括“年龄”（2060岁）和“年收入”（5万100万），直接使用欧氏距离进行 k-means 聚类可能存在什么问题？应该如何解决？

【答案】：

年收入的数值范围远大于年龄（5万100万 vs 2060），导致距离计算中年收入占据主导地位，年龄特征几乎不起作用。解决方案：使用 StandardScaler 对数据进行标准化，使所有特征在同一尺度下比较。

📮 六、 课后作业与拓展

📮 课后作业…
  1. 基础作业：使用 make_blobs 生成 500 个样本、5 个簇的数据，训练 KMeans 模型并可视化聚类结果。
  2. 手肘法作业：在 K=1 到 K=15 范围内绘制手肘图，标注出你认为的最优 K 值。
  3. n_init 探究作业：固定 n_init=1，使用不同的 random_state（0-9）训练 10 个模型，记录每个模型的 inertia，观察最大与最小 inertia 的差异。再设置 n_init=50 重复实验，观察差异是否缩小。
  4. 数据标准化作业：构造一个包含两个特征（一个范围 0-1，一个范围 0-10000）的二维数据集，分别对原始数据和标准化后的数据进行 k-means 聚类，对比聚类结果的差异。
  5. 预习作业：阅读 15.3 节“其他聚类方法”，初步了解层次聚类和 DBSCAN 的基本思想。

📋 七、 板书设计

🛠️ 板书设计… 
 1💻 scikit中的k-means – 第二次课
 2
 3一、 核心代码模板
 4    from sklearn.cluster import KMeans
 5    model = KMeans(n_clusters=K, random_state=42)
 6    model.fit(X)
 7    labels = model.labels_
 8    centroids = model.cluster_centers_
 9    wcss = model.inertia_
10
11二、 关键参数
12    n_clusters  → K值（最重要）
13    n_init      → 多次尝试取最优（默认10）
14    random_state → 固定随机种子（保证可复现）
15    max_iter    → 最大迭代次数（默认300）
16
17三、 选K方法：手肘法
18    ① 对不同K值训练模型，记录inertia
19    ② 绘制 K vs inertia 曲线
20    ③ 找“肘点”（下降变缓的位置）
21
22四、 数据标准化
23    原因：特征尺度差异影响距离计算
24    方法：from sklearn.preprocessing import StandardScaler

本课用到的单词

英文术语 发音（美式） 中文释义 专业语境解释
Inertia /ɪˈnɜːr.ʃə/ 惯性（WCSS） KMeans 中的目标函数值，即簇内平方和，越小聚类越紧凑。
Elbow Method /ˈel.boʊ ˈmeθ.əd/ 手肘法 通过绘制 K 值与 inertia 曲线寻找肘点来确定最优 K 的方法。
Initialization /ɪˌnɪʃ.əl.aɪˈzeɪ.ʃən/ 初始化 算法开始前给参数赋予初始值的过程，在 KMeans 中指初始质心选择。
Random State /ˈræn.dəm steɪt/ 随机种子 控制随机数生成的参数，固定后每次运行结果一致。
Standardization /ˌstæn.dɚ.daɪˈzeɪ.ʃən/ 标准化 将特征调整为均值为0、方差为1的分布，消除尺度影响。