MATLAB聚类分析实战：从K-means到DBSCAN的完整指南

简介：面向数据挖掘、模式识别与市场细分等应用场景的聚类分析专题课件，围绕系统聚类、快速聚类及MATLAB实现展开，讲解Q型与R型聚类、样品间距离度量、谱系聚类步骤，并结合pdist、linkage、dendrogram、cophenet、cluster等函数给出可操作的实现思路。资源共1个pptx文件，压缩包大小467KB，内容紧凑、配有聚类图与案例数据，适合高校统计课程学习者、科研人员及需要入门聚类算法与MATLAB编程的工程师。目前已有125人学习浏览。通过该PPT可系统理解聚类分析的基本思想，掌握从数据预处理、距离与相似系数计算到聚类树绘制、类别判定的完整流程，并获取典型例题的MATLAB求解演示，便于直接对照练习或嵌入教学课件使用。

1. 聚类分析与MATLAB：为什么这份资料值得你照着敲一遍

聚类分析是机器学习里最常用的无监督方法，但很多人一上来就想手写算法，反而把工具链忽略了。以「聚类分析及MATLAB实现PPT资料」这类课件为入口，你会发现用MATLAB做聚类实验能绕开大量底层编码：kmeans、linkage、dbscan都是现成函数，半天就能把数据聚类、评估和可视化全部跑通，剩下的精力可以用在参数理解和结果解释上，比从零重写一遍K-means更有产出。

这份资料适合三类人：交课程作业的本科生、想在论文里补一组对比实验的研究生、以MATLAB为主要分析环境的工程师。前置要求不高，会矩阵操作和基本统计概念就能跟上。后面的章节按我整理同类课件的一贯顺序展开：先立住原理，再给可运行的代码，最后逐个拆坑。

2. 聚类分析的核心：距离度量和三类范式怎么选才不翻车

2.1 距离度量：欧氏距离不是唯一答案

聚类里的“相似”和“不相似”，完全由距离定义决定，这是第一步就要走对的地方。kmeans函数默认使用sqeuclidean（欧氏距离的平方），很多人一直用默认值，结果数据一变就翻车。

举一个很典型的场景：对商品做分群，特征是价格、销量、上架天数。价格量级可能是几百，销量可能上万，上架天数只有几十。用欧氏距离时，销量这一列会主导总距离，价格和天数的差异被稀释，聚类结果几乎只反映销量分组。两个解决方向：先标准化再算距离，或者换距离度量。cityblock（曼哈顿距离）对个别列离群值更稳；当特征是用户行为占比、文本词频这类方向性数据时，用cosine更合理。

% 三种距离在 kmeans 中的用法对比 [idx1, C1] = kmeans(X, 3, 'Distance', 'sqeuclidean'); % 默认，欧氏距离平方 [idx2, C2] = kmeans(X, 3, 'Distance', 'cityblock'); % 曼哈顿距离，抗离群点 [idx3, C3] = kmeans(X, 3, 'Distance', 'cosine'); % 余弦距离，看方向不看模长

这段代码的逻辑其实很简单：Distance参数决定了样本到质心的距离怎么算，也决定了质心如何更新。sqeuclidean适合标准化后的连续数值特征；cityblock用的是各维度绝对差之和，极端值带来的扰动比平方小；cosine则把样本看成方向向量，适合模长本身没有业务含义的数据。注意cosine模式下质心会被重新归一化，距离含义和欧氏完全不同，结果解释要跟着变。

如果做层次聚类，还需要用pdist单独生成距离矩阵，这点经常被初学者漏掉：

D = pdist(X, 'correlation'); % 相关距离，适合特征间高相关、量纲差异大的数据 Z = linkage(D, 'average'); % 距离矩阵直接进 linkage

pdist输出的是紧凑形式的上三角距离向量，linkage可以直接消费。correlation距离关注的是样本间趋势是否一致，而不是绝对数值差，基因表达、评分偏好这类场景下比欧氏距离合理得多。我自己的习惯是：先想清楚“我要让哪个维度上的差异驱动分群”，再选距离度量，而不是对着默认值一路跑到底。

2.2 三类聚类范式：划分、层次、密度，适用边界要分清

K-means是划分聚类，目标是把样本分成K个球形簇，算法快、结果好解释，但必须先给定K，遇到环形、半月形这类非凸簇会硬生生切开。层次聚类不要求预设K，先用linkage把所有样本逐步合并成一棵树，之后在树的任意高度切分，适合连“到底分几类”都还没想清楚的探索阶段。DBSCAN则按密度把稠密区域连成簇，同时自动标记噪声样本，任意形状都能处理，但在密度差异很大的数据上表现不稳定。

MATLAB里，三个家族的入口分别是kmeans、linkage+dendrogram+cluster、dbscan。它们输出内容也不一样：kmeans直接给簇标签和质心坐标；层次聚类先给树结构，再靠你在某个高度切；dbscan除了簇标签，还会返回核心点标记数组，告诉你哪些样本是密度核心。下面这张表我每次讲课件都会放，用来快速选型：

选型的核心是问自己两句话：第一，我是否已经知道大概分几类？知道就K-means，不知道就层次或DBSCAN。第二，我的簇是紧凑球形，还是可能弯弯曲曲？数据本身形状复杂、还有明显噪声点，直接上DBSCAN比硬调K-means的K值省事得多。

2.3 评估指标：轮廓系数、CH与DB指数要配合着看

聚类没有标准答案，只能用内部指标判断“分得是否紧、离得是否开”。MATLAB把这项能力收敛在evalclusters函数里，一次调用能算一个指标并自动筛选最优K。我一般会跑三遍，分别看轮廓系数、Calinski-Harabasz（CH）和Davies-Bouldin（DB），三个指标往往不会指向同一个K，这时候交叉判断才有意义。

rng(1); % 固定种子，evalclusters内部也会调用kmeans evaSil = evalclusters(X, 'kmeans', 'silhouette', 'KList', 2:8); evaCH = evalclusters(X, 'kmeans', 'CalinskiHarabasz', 'KList', 2:8); evaDB = evalclusters(X, 'kmeans', 'DaviesBouldin', 'KList', 2:8); K_sil = evaSil.OptimalK; % 轮廓系数选出的最优K K_ch = evaCH.OptimalK; % CH指数选出的最优K K_db = evaDB.OptimalK; % DB指数选出的最优K

evalclusters会对KList里的每个K跑一次聚类，再按指标打分，帮你把“不同K下的质量曲线”一次算完。轮廓系数值域是-1到1，越接近1说明样本贴着同类簇、远离其他簇；CH是类间离散度与类内离散度的比值，越大越好；DB是类内散步和类间距离之比，越小越好。三个指标侧重点不同：轮廓系数偏向紧致球形簇，CH对大间距划分更友好，DB对重叠簇更敏感。我自己的标准是看三个指标有没有共同指向的K，如果有，就选它；如果没有，选业务上更好解释的那个。

评估指标是必要不充分条件。数值上“分得好”不代表业务上“分得对”，这个坑会在第5章展开。

3. 用MATLAB实现K-means：从数据清洗到K值确定的完整步骤

3.1 数据准备：读入、清洗、标准化一步到位

开始聚类之前，数据从文件到矩阵的这段路经常被当作“无技术含量”跳过，实际上这里出问题的概率比算法本身大。readtable能自动推断列类型，适合混合数据；但如果文件里有ID列、日期列，记得先摘掉，否则聚类会把样本ID当数值特征算进距离里，结果瞬间变成“谁和谁编号相邻”。

% 读入CSV，假设第一列是样本ID，其余是特征 T = readtable('data.csv'); Xraw = T(:, 2:end); % 去掉ID列 X = table2array(Xraw); % table转数值矩阵 X = rmmissing(X); % 删除包含缺失值的行 X = zscore(X); % 按列标准化，均值为0、标准差为1

rmmissing默认按行删除，某行只要有一个NaN就会被整行删掉。如果缺失集中在少数特征列，比如某列缺了30%，删行会让样本量骤减，这时候考虑先删高缺失列，再做行删除。zscore按列做标准化，是我认为聚类前最不该跳的一步。标准化的意义不是玄学，而是让每一列在距离计算里获得相同的初始权重。

还有一种常见做法：在标准化前先做分位数截断，防止极端值把标准化后的分布拉偏。

% 对每列做分位数截断，把超出[1%, 99%]区间的值拉回边界 for j = 1:size(X, 2) lo = quantile(X(:, j), 0.01); hi = quantile(X(:, j), 0.99); X(:, j) = min(max(X(:, j), lo), hi); end X = zscore(X);

这段的用意是：长尾特征很重的时候，直接zscore仍然会保留极端值，聚类结果几乎由那几个极端样本主导。截断之后再做标准化，稳定性能明显改善。这一整段“清洗再标准化”的流程，值得整理成你自己的预处理脚本，每一次聚类实验都从它开始。

3.2 一个最小可用的kmeans调用与关键参数

kmeans在MATLAB里是非常成熟的实现，但默认参数只适合快速验证，正式分析至少要改两个地方：固定随机种子、设置Replicates。

rng(42); % 固定随机种子，确保结果可复现 K = 3; [idx, C, sumd] = kmeans(X, K, ... 'Distance', 'sqeuclidean', ... 'Replicates', 10, ... 'MaxIter', 200); SSE = sum(sumd); % 总离差平方和，肘部法则的素材

参数逐个说清楚：

• K：目标簇数，不能拍脑袋定，应该由第2章的评估流程或者业务约束给出。
• 'Replicates', 10：用不同初始质心随机跑10次，取目标函数最小的结果。默认值是1，意味着只初始化一次，碰上糟糕的起点可能收敛到局部最优。正式实验我通常设10到20次。
• 'Start', 'plus'：默认就是k-means++初始化，比纯随机稳定得多，一般不用改。它是一份后悔药，在样本量大、簇形不规则时能明显降低初始化带来的方差。
• 'MaxIter', 200：默认100，数据量大且分布复杂时可能到迭代上限还没收敛，建议放宽到300以上。
• 并行选项：数据量大、Replicates高的时候，在kmeans里加一行'Options', statset('UseParallel', true)，能压掉接近一半时间。

注意：Replicates和并行都依赖rng。不在脚本最前面固定随机种子，复现实验就是空话，这也是一些实验室“同代码不同结果”的根源。

聚类后画图是第一时间确认结果是否合理的动作：

gscatter(X(:, 1), X(:, 2), idx); % 用前两列特征着色画散点 hold on; plot(C(:, 1), C(:, 2), 'kx', 'MarkerSize', 12, 'LineWidth', 2); hold off;

gscatter会按组别自动分配颜色；质心用黑色叉号叠加，适合K比较小时看图。特征超过两维时，这个画法会失真，我一般先对X做PCA取前两个主成分，再喂给gscatter，能看到整体分离形态。

3.3 确定K值：肘部法则的代码化做法

K值到底怎么选，最朴素的工具是肘部法则：跑K从1到10的kmeans，记录每个K的总离差平方和（SSE），然后画折线找“由陡变缓”的拐点。注意K=1没有意义，但作为曲线起点可以保留。

rng(42); SSE = zeros(1, 10); for k = 1:10 [~, ~, sumd] = kmeans(X, k, 'Replicates', 10); SSE(k) = sum(sumd); end plot(1:10, SSE, '-o'); xlabel('K'); ylabel('SSE');

用眼睛看拐点最直接，但写论文时想有个量化依据，可以算二阶差分：

d1 = diff(SSE); % 一阶差分：每增加K时SSE的下降量 d2 = abs(diff(d1)); % 二阶差分：下降量本身的变化幅度 [~, elbow] = max(d2(1:end-1)); K_candidate = elbow + 1; % 候选K

这段代码的思路是：SSE下降速率从大到小的转折处，就是肘点。d1记录的是“多分一类能减少多少误差”，d2记录的是这个减少量是否明显变小；d2最大值对应的位置通常就是曲线坡度突变点。注意索引偏移，d2的第i个值对应K从i+1到i+2的变化，所以候选K加1。自动定位只是辅助，我强烈建议同时对照2.3节evalclusters的结果，多个方法指向同一个K时，这个选择才站得住。

肘部法则的局限性在平滑数据上很突出：曲线没有明显拐点，SSE一路缓慢下降，这时K值选择必须回归业务。比如电商分群，K=4正好对应运营团队能承接的四类人群画像，那就不必为了“统计上更优”选K=6。

4. 层次聚类与DBSCAN的MATLAB实现：两张图看懂参数敏感度

4.1 linkage、dendrogram、cluster：层次聚类的完整流程

层次聚类在MATLAB里由三个函数接力完成：linkage建树、dendrogram画树、cluster切树。最小代码很干净，但这三步里有不少参数会影响结果走向。

rng(42); Z = linkage(X, 'ward', 'euclidean'); % ward离差平方和法，欧氏距离 dendrogram(Z, 0); % 0表示显示全部叶子节点 idx = cluster(Z, 'MaxClust', 4); % 把树切成4个簇

linkage的第二个参数是合并准则，这是层次聚类真正的“个性开关”：

• 'ward'：合并样本时让类内离差平方和增量最小，倾向得到大小均匀的紧凑簇，连续数值特征最常用。
• 'average'：类平均距离，对离群值稳健，适合形状不规整的数据。
• 'complete'：类间最远距离，容易切出细长簇。
• 'single'：最近距离，很容易产生链式效应，不到万不得已不太推荐。

dendrogram的第二个参数控制显示多少叶子节点，0表示全显示。样本超过1000时，整张树状图会挤成一堵墙，什么都看不清；这时候改成dendrogram(Z, 200)只显示最近合并的200个叶子，局部结构会清楚得多。cluster切树用的是MaxClust，意思是“保留4个簇”，但同样在树上画一条水平线，看它穿过几条竖枝，就知道这个切割对应的簇结构是否稳定。

有一项像“质量检查”的指标值得每次算一下：

c = cophenet(Z, pdist(X, 'euclidean')); % 越接近1，树结构越能代表原始距离

cophenet把树上的合并距离与原始样本距离做相关，越接近1说明这棵树忠实地反映了样本间的远近关系。数值低于0.6时，要么换合并准则，要么换距离度量，否则树状图讲的故事可信度很低。

4.2 dbscan：eps和minpts怎么配合才能结束调参玄学

DBSCAN在MATLAB里就是一个dbscan函数，但两个前置参数把很多人卡住了。它不像kmeans那样有K值，一切由密度定义，而密度的两个坐标系是邻域半径eps和邻域内最少点数minpts。

rng(42); [idx, corepts] = dbscan(X, eps, minpts); % idx: 每个样本的簇标签，-1表示噪声 % corepts: 逻辑向量，true表示该样本是核心点

minpts建议从2倍特征维度开始。维度为5时，minpts取10；维度是20时，从40起步。minpts太小，一点轻微波动就会形成碎片簇；太大，真正的稠密簇会被拆碎。定好minpts之后，再去反推eps，这是DBSCAN调参的标准流程，顺序不能倒。

eps可以用k距离图来定，这比反复试参数可靠得多：

minpts = 2 * size(X, 2); % 经验初值 D = pdist2(X, X); % 两两距离方阵 Dsort = sort(D, 2); % 每行按距离升序 kDist = Dsort(:, minpts); % 每个样本到第minpts个近邻的距离 plot(sort(kDist, 'descend'));

横轴是样本按k距离降序排列后的序号，纵轴是k距离。曲线平缓段对应稠密区域，突然上翘的位置就是稠密区与稀疏区的分界，取上翘处的纵坐标作为eps的初始值。图上的“膝盖”不是精确数学定义，所以拿到初始值后，我会在它上下各试两三个数，对比簇数量和噪声比例：噪声超过20%说明eps偏小，全部样本挤成一个簇说明eps偏大。

4.3 三种聚类在非凸数据上的表现差异

有一类数据是聚类方法的“照妖镜”：两个半环交错分布，或者螺旋带噪声。K-means在这些数据上会强制按球形切，把一个环切成好几段；层次聚类在ward准则下也会偏紧凑，但改用average能保留一部分链式结构；DBSCAN只要eps选对，通常能还原出半环的原始形状，还能把游离噪声单独标记出来。

我把这类对比总结成一句话：聚类方法没有绝对优劣，只有“数据形状 + 业务诉求 + 方法假设”三者是否匹配。做课件时我习惯放三张图并排对比，比任何表格都直观。如果你手头没有现成数据，可以生成模拟数据自己跑一遍：两个半环、一团高斯、一堆均匀噪声，分别跑三种聚类，观察簇标签和真实形状的吻合度。这个练习做完，对三个函数的边界理解会扎实很多。

5. 聚类分析及MATLAB实现避坑：六条血泪经验一次讲清

5.1 不标准化就跑聚类：量纲差异让结果“看着合理但全是错的”

现象：数据里有一列数值明显大于其他列，聚类结果表面正常，轮廓系数也不算差，但业务一看分群维度，发现几乎只按那一列在分。

原因：欧氏距离里大数值特征贡献绝对主导，小数值特征在距离计算里近似噪声。MATLAB的kmeans不会自动按特征加权，默认距离默认就是看“数值差”。

解决：聚类前先做zscore标准化。二值变量和连续变量混在一起时，二值列不要做zscore，用min-max缩放到0到1区间更好；处理顺序是清洗、截断、标准化、再聚类。这一步不做，后面所有指标和可视化都是自欺欺人。

5.2 K-means每次跑结果都不一样，实验无法复现

现象：同一份代码，第二次运行的质心和簇标签都变了；自己画出来的图和同事复现的图对不上。

原因：kmeans默认用k-means++初始化，带随机性；默认只跑一次，碰到坏起点会收敛到局部最优，不稳定的实验结果就是这么来的。

解决：脚本最前面写rng(42)固定随机种子；调用kmeans时设置'Replicates', 10以上，让算法自己筛掉差的初始中心。注意DBSCAN和层次聚类本身是确定性的，不需要rng；而kmeans和tsne这类带随机初始化的函数必须固定种子。

5.3 DBSCAN的eps只能靠肉眼试，调参变成玄学

现象：eps从0.1试到1.0，要么几乎全是噪声，要么所有样本变成一个簇，中间只隔着很窄的可行区间，根本不知道“正确值”在哪。

原因：eps的合理范围完全由数据密度决定，不同数据的合适eps可能相差几个数量级，直接看数据值范围猜不出来。

解决：按“先minpts后eps”的顺序来。minpts取2倍特征维度，然后用k距离图的“膝盖”位置定eps初值，再围绕初值上下扫几个数。判断时观察噪声点比例和簇数：噪声超过20%说明eps小了；全部样本聚成一类说明eps大了。

5.4 高维数据直接聚类：距离退化导致无法解释

现象：30维特征直接kmeans，指标不低，质心坐标却是一堆小数，画图只能取两维，报告根本没法向非技术的人解释。

原因：高维空间下欧氏距离趋于平均，样本间距离差异变小，聚类边界模糊；相关性强的特征还会重复参与距离计算，相当于给某些信息加权了。

解决：先PCA降维到能解释80%以上方差的前几个主成分，再做聚类。如果只是为了可视化，取前两个主成分画gscatter足够；如果为了稳定聚类，保留到85%方差那档即可。另一个思路是把距离换成correlation，让相关性而不是绝对数值驱动分群——这是改变距离语义，不只是换个参数。

5.5 轮廓系数遇到密度聚类不友好，别被单一指标带偏

现象：DBSCAN跑出的簇形状清晰，但silhouette值只有0.2，而K-means的轮廓系数有0.6，于是误以为DBSCAN不如K-means。

原因：轮廓系数用样本到同类簇均值、最近其他簇均值的距离构造，隐含球形簇假设。DBSCAN产生的任意形状簇和噪声样本都会拉低这个值，指标不匹配，不是聚类不好。

解决：密度聚类不要单独依赖轮廓系数。改看核心点占比、噪声比例、不同eps下簇数的稳定性。如果必须和其他方法比指标，先把噪声样本剔除再算轮廓值，并在报告里说明这个处理。

5.6 统计指标漂亮但业务无法解释

现象：轮廓系数0.72，CH指数也高，但分出来的簇画像没有明显差异，或者某个簇同时包含行为上互斥的用户，业务无法落地。

原因：内部指标衡量的是数值分离度，不代表业务含义的区分度；聚类标签是纯数据驱动产物，和运营口径可能完全错位。

解决：聚类之后必须做画像分析：每个簇的特征均值、中位数、占比，再叠加业务标签做交叉验证。如果画像讲不出一个“为什么”，回去调整特征集而不是继续调参。这是我反复经历后最认同的一条：聚类输出的是候选分组，不是最终结论。

6. 把聚类结果讲清楚：可视化、轮廓图与画像描述的进阶习惯

6.1 t-SNE降维看聚类整体形态

PCA是线性降维，适合压缩特征；要看簇在原始空间里的真实分离形态，t-SNE更直观。MATLAB里直接调tsne函数，对高维聚类结果做二维投影，再叠加聚类标签着色。

rng(42); Y = tsne(X, 'NumDimensions', 2, 'Perplexity', 30); gscatter(Y(:, 1), Y(:, 2), idx);

Perplexity平衡局部与全局视角，默认30对绝大多数数据够用；样本量小的时候可以降到5到15，否则t-SNE图会显得过度挤压。t-SNE是有随机性的，多跑几次看整体结构是否稳定，别拿单次结果讲故事。

6.2 silhouette图找出被硬凑进簇的样本

轮廓系数除了给一个平均数，还可以画成每样本一条横杠的图。负值样本就是“离其他簇比离自己簇更近”的硬凑分子，值得单独检查。

figure; silhouette(X, idx); xline(0, '--'); % 在0处画参考线，负值条一目了然

我会把这些负值样本挑出来看原始特征：是录入错误，还是极端值，或者是某个簇里混入了本应属于其他簇的数据。确认后再决定剔除还是保留，而不是直接改K值避开问题。

6.3 聚类画像描述模板：从数字到业务语言

把聚类结果从标签数组变成业务事实，我习惯先算一张汇总表：

每簇写一段横向对比：“第1簇样本占比35%，A高、B低，可以定位为……人群，资源投放应该……”如果这句话写不出来，要么特征选择有问题，要么K不匹配，回到前面重新审视距离度量、标准化和K值的选择。我早期交聚类报告，只看轮廓系数和散点图，被追问“这类用户为什么均价这么低”时答不上来，因为只看了聚类编号，没做画像。后来养成习惯：每跑一组聚类，先回答“每个簇是谁、和别的簇差在哪、下一步做什么”，答不上就回去检查。这个流程比任何参数优化技巧都重要，也治好了我对聚类结果黑匣子式的信任。希望帮到你。

本文还有配套的精品资源，点击获取