方法选型决策指南：分类与聚类怎么选（深度版）

面对『归到哪类』，先问有没有标签：有标签用分类（监督），无标签用聚类（无监督）。

分类：⚙ 优化类　适用：客户分群、风险分级、模式识别、异常检测、样本无标签的结构发现

一、这个指南适合谁（适用场景）

客户分群、风险分级
模式识别、异常检测
样本无标签的结构发现

二、选型决策要素

有标签吗？→ 分类 / 聚类
样本量、维度
类别是否重叠
要解释还是只要准
匹配算法→评估指标

三、选型的底层逻辑

分类与聚类的根本区别在于信息来源。分类（监督）利用标签提供的"已知答案"，学习从特征到类别的判别边界，能用测试集客观评估；聚类（无监督）没有任何标签，只能从数据自身的"内聚性"中发现结构，评估因此主观（靠业务可解释性）。选方法的逻辑是：先看信息可得性（有标签→分类，无标签→聚类），再看数据形态——球形等密簇用 K-Means，任意形状/含噪声用 DBSCAN，高维稀疏要降维后再聚。建模赛事中可解释性常是硬约束，这往往否决纯黑箱（如深度网络），偏向决策树/逻辑回归这类能给出"为什么这么分"的模型。

四、决策模型与推导

贝叶斯错误率下界：两类条件分布 $p(x\mid\omega_1),p(x\mid\omega_2)$ 重叠越大，任何分类器的理论极限错误率越高：

$e^*\ge \int\min\bigl(p(x\mid\omega_1)P_1,\,p(x\mid\omega_2)P_2\bigr)\,dx$

若 $e^*$ 已很高（类分布严重重叠），换更复杂的分类器收益极低——此时应先做特征工程拉开类间距离，而非纠结选哪个算法。这是"选方法前先评估可分性"的理论依据。

K-Means 目标：最小化簇内平方和

$\text{WCSS}=\sum_{k=1}^K\sum_{x\in C_k}\|x-\mu_k\|^2,\qquad \mu_k=\frac1{|C_k|}\sum_{x\in C_k}x$

它对各向同性球形簇有效；若簇 elongated/密度不均，WCSS 最小化会把非球形簇切坏。

轮廓系数定 K：样本 $i$ 的轮廓

$s(i)=\frac{b(i)-a(i)}{\max\{a(i),b(i)\}}\in[-1,1]$

$a$ 为到同簇平均距离， $b$ 为到最近异簇平均距离。平均 $s$ 最大处对应的 $K$ 最合理——这就是"肘部/轮廓法定 K"的数学内核。

标准化必要性：距离度量前做 $z_j=(x_j-\mu_j)/\sigma_j$ ，否则量纲大的特征在 $\|x-\mu\|^2$ 中占主导，聚类被单维绑架。

五、选型流程（怎么选）

有标签、要预测新样本类别 → 分类：逻辑回归/SVM/决策树/随机森林。
无标签、要发现结构 → 聚类：K-Means/层次/DBSCAN。
类别数未知 → 用轮廓系数/肘部法定 K。
要可解释 → 决策树/逻辑回归；要精度 → 集成/XGBoost。
分类看准确率/F1，聚类看轮廓系数/业务可解释性。

六、问题 → 方法映射

K-Means：球形簇、需指定 K；对量纲敏感，先标准化。
DBSCAN：任意形状、自动定簇数、抗噪；密度不均时小心。
随机森林：分类精度高、可解释特征重要度。

七、常见误选与对策

不标准化直接 K-Means → 量纲大的特征主导。
硬定 K 不看轮廓系数 → 簇数不合理。
聚类当分类用 → 概念混淆。
只报准确率不看混淆矩阵 → 类别不平衡被掩盖。

八、选型自检清单

已区分有/无标签
数据已标准化（如需）
K 由指标确定（聚类）
评估指标匹配任务
结果业务可解释

九、配套资源与搭配

算法速成手册（聚类分类）
Python 数据可视化模板
建模避坑指南（建模雷区）

本指南由 MCM520 资料站自动生成（深度版），配套算法速成手册可在资源页下载。

10、实战案例

案例：分类问题选题

常见类型：信用评分、疾病诊断、图像识别
推荐模型：逻辑回归、SVM、随机森林

实战案例

分类与聚类选型实战

场景：拿到带标签数据做分类，或无标签数据做聚类，方法不同。
任务：根据有无标签与数据规模选算法。

完整代码（text）

决策树：
有标签？
 ├─ 是（分类）→ 数据量小? 逻辑回归/SVM
 │            → 数据量大? 随机森林/XGBoost
 │            → 需可解释? 决策树/朴素贝叶斯
 └─ 否（聚类）→ 形状规则? K-Means
              → 形状复杂? DBSCAN/层次
              → 概率分布? GMM

快速验证：先跑逻辑回归基线，再上复杂模型看提升。

运行效果

选型案例：

信用评分（有标签, 需可解释）→ 逻辑回归
图像分类（大数据）→ CNN/XGBoost
客户分群（无标签）→ K-Means+肘部法选K
错误选型：小数据硬上深度学习→过拟合欠泛化。