K 均值聚类
K-Means 聚类采用 Lloyd 方法,以 k-means++ 初始中心和多次随机起点,将观测值按两个或更多数值变量划分为您设定的 K 个聚类。计量单位不同的变量应先标准化。当预期有已知数量的组时使用。输出包括最终划分、聚类质心、每个观测值所属的聚类及距离,以及所解释变异的百分比。
最后审阅
核心要点
K-Means 聚类将观测值划分为固定数量(K)的组,使每组内的观测值在所选变量上尽可能相似,例如将批次、零件或供应商分为不同类型。
用途
K-Means 聚类将观测值划分为固定数量(K)的组,使每组内的观测值在您所选的变量上尽可能相似。当预期有已知数量的组时使用,例如根据多个测量特性将材料批次、零件或供应商分为不同类型,或检查您已在使用的标签(等级、生产线、班次)是否确实能在测量数据中体现出来。
主要功能
- 将观测值按两个或更多数值变量划分为您设定的 K 个聚类。
- 可选标准化,使以较大单位计量的变量不会主导分组。
- 多个随机起点;保留最佳解(聚类内离散最小者),且相同数据始终得到相同结果。
- 报告最终划分(大小、聚类内平方和、到质心的平均距离和最大距离)、每个聚类以原始单位表示的质心、每个观测值所属的聚类,以及聚类所解释的总变异百分比。
- 前两个所选变量的散点图,按聚类着色。
统计方法
任一所选变量存在缺失值或非数值的行将被剔除。勾选 Standardize variables 时,每个变量先转换为 z = (x − mean) / s(s 为样本标准差),使每个变量在聚类前均值为 0、标准差为 1。
K-means 算法(Lloyd 方法)按欧氏距离将每个观测值分配到最近的聚类中心,将每个中心重新计算为其成员的均值,并重复上述步骤直至分配不再变化。初始中心按 k-means++ 规则选取。由于结果可能取决于起点,算法会运行 Number of random starts 所设定的次数,并保留聚类内平方和最小的那次运行。使用固定的随机种子,因此结果可精确重现。
聚类所解释的变异百分比为 (总平方和 − 聚类内平方和) / 总平方和 × 100,其中总平方和是所有观测值到总均值的距离平方和,聚类内平方和是每个观测值到其所属聚类中心的距离平方和。两者均基于聚类时所用的数据计算(勾选该选项时为标准化后的数据)。该数值越高,表示组越分明、越紧凑,但它总是随 K 增大而上升,因此跨 K 比较时须谨慎。质心会换算回原始单位后报告。最终划分对每个聚类给出观测值个数、聚类内平方和,以及其成员到质心的平均距离和最大距离;这些距离以及成员表中每个观测值的距离,均为聚类所用单位下的欧氏距离(勾选该选项时为标准化后的单位),与 Minitab 相同。
输入字段和选项
字段 | 说明 |
Variables | 用于聚类的两个或更多数值列。按住 Ctrl 或 Command 并点击可选择多个。 |
Number of clusters (K) | 要形成的组数。默认为 3;最小为 2。至少需要 K 个完整的观测值。 |
Standardize variables | 默认勾选。在聚类前使每个变量处于相同尺度(均值 0,标准差 1)。仅当所有变量单位相同,且希望离散程度较大的变量权重更大时才取消勾选。 |
Number of random starts | 尝试的起点数;保留最佳结果。默认为 10,范围 1 至 100。 |
Title | 显示在图和输出上的标题。默认为 Cluster K-Means。 |

图 1 — 示例的选项:四个特性列,K = 2,标准化,10 个随机起点。
输出说明
- Cluster K-Means plot——第一个所选变量(x)对第二个所选变量(y)的散点图,每个点按其聚类着色。
- % variation explained by clusters——总变异中位于聚类之间而非聚类内部的份额。
- Final Partition——每个聚类的:Number of observations、Within cluster sum of squares、Average distance from centroid 和 Maximum distance from centroid。
- Cluster Centroids——每个聚类的观测值个数 N,以及各变量以原始单位表示的均值。
- Cluster Membership——每个观测值(按工作表行号)、其所属聚类,以及其到该聚类质心的距离。
- 通过 Download 导出 PDF。

图 2 — 40 个材料批次的两个聚类:聚类 2(14 个批次)更硬、更强;聚类解释了 48.98% 的变异。最终划分、质心和成员表的开头位于图之后。
计算示例
某材料实验室有 40 个批次,每个批次均测量了密度(g/cc)、硬度(HB)、抗拉强度(MPa)和伸长率(%)。这些批次按 Standard 或 Premium 销售,各 20 个。实验室想知道仅凭测量值是否能分为两个自然组,以及这些组是否与批次类型相符。他们选择四个特性列,设置 Number of clusters (K) = 2,保持勾选 Standardize variables(否则数值达数百的抗拉强度将占主导),并保持 10 个随机起点。
聚类解释了 48.98% 的变异。聚类 2 包含 14 个批次,更硬、更强(均值 240.7 HB 和 1,336.6 MPa),延展性略低(伸长率 19.8%);聚类 1 包含 26 个批次,均值为 172.7 HB、1,110.9 MPa 和伸长率 21.5%。密度质心相差不大(7.92 对 7.84 g/cc)。在最终划分中,聚类 2 是更紧凑的组(到质心的平均距离为 1.19,对比 1.33 个标准化单位);聚类 1 中距离最远的成员第 5 行,距其质心 3.78 个单位,是值得检查的异常批次。与批次类型列对比,聚类 2 包含 11 个 Premium 和 3 个 Standard 批次,聚类 1 包含 17 个 Standard 和 9 个 Premium 批次,因此 40 个批次中有 28 个落在与其类型相符的聚类中。
对实验室而言,这意味着最强的批次形成了一个明确的组,但许多 Premium 批次并不比 Standard 批次更硬或更强:这一标签并未得到特性数据的完全支持。当 K = 3 时,所解释的变异升至 69.66%,由 9 个批次组成的偏软、偏弱的组(138.2 HB、995.9 MPa)从由 23 个批次组成的中间组和由 8 个批次组成的顶部组中分离出来。取消勾选 Standardize variables 会使划分变为 19 和 21 个批次,因为此时抗拉强度的权重最大。若要利用已知类型建立规则,请对同一数据运行 Discriminant Analysis。
常见问题
何时应使用 k-means 聚类?
当预期有已知数量的组,并希望根据多个测量特性将材料批次、零件或供应商等观测值分为不同类型时使用。它也可用于检查您已在使用的标签(如等级、生产线或班次)是否确实能在测量数据中体现出来。
k-means 之前是否应对变量标准化?
标准化将每个变量转换为均值 0、标准差 1,使以较大单位计量的变量不会主导分组。该选项默认勾选。仅当所有变量单位相同,且希望离散程度较大的变量权重更大时才取消勾选;在计算示例中,取消勾选改变了划分,因为此时抗拉强度的权重最大。
如何选择聚类数 K?
输出会报告聚类所解释的总变异百分比;该数值越高,表示组越分明、越紧凑。它总是随 K 增大而上升,因此跨 K 比较时须谨慎。在示例中,两个聚类解释了 48.98% 的变异,三个聚类解释了 69.66%,并分离出一个由 9 个批次组成的偏软、偏弱的组。
k-means 与判别分析有何区别?
K-means 仅根据测量值发现分组,不使用已知标签。在示例中,两个聚类与 Standard 或 Premium 标签相符的批次只有 40 个中的 28 个。若要利用已知类型建立区分各组的规则,请对同一数据运行 Discriminant Analysis。
