如何优化sklearn的KMeans算法在3D空间聚类场景下的效果

核心问题分析 #

你构造的3个3D簇边界清晰无重叠，KMeans聚类效果不符合预期的核心原因是默认参数适配性不足：

• KMeans为贪心算法，随机质心初始化容易陷入局部最优，默认配置在簇样本量不均衡时极易出现聚类偏差
• 你构造的三个簇样本量差距较大：30×30×30的立方体簇有27000个样本，25×25×25的立方体簇有15625个样本，半径10的球形簇仅约4200个样本，KMeans对样本量不均衡的簇敏感度较高。

具体优化措施 #

• 调整KMeans核心参数
  显式配置质心初始化规则和迭代次数，避免局部最优，同时固定随机种子保证结果可复现，优化后的实例化代码如下：

km = KMeans(n_clusters=3, init='k-means++', n_init=50, random_state=42)
y_predicted = km.fit_predict(df1[['x','y','z']])

参数说明：

• init='k-means++'：优化初始质心选择逻辑，优先选择互相距离较远的点作为初始质心，大幅降低陷入局部最优的概率
• n_init=50：让算法运行50次不同的初始质心迭代，最终选择效果最优的聚类结果
• random_state=42：固定随机种子，每次运行结果一致，方便调试对比
• 补充样本权重适配样本不均衡问题
  如果提前知道样本的真实标签，可给小样本簇设置更高权重，抵消样本量差异带来的偏差：

# 示例逻辑：球形簇（标签3）样本量最小，设置3倍权重
sample_weights = np.where(真实标签列 == 3, 3, 1)
y_predicted = km.fit_predict(df1[['x','y','z']], sample_weight=sample_weights)

• 优化可视化调试逻辑
  可在散点图中额外标记聚类得到的质心位置，快速判断聚类结果是否符合预期：

def create_3d_scatter_wprd(df, centroids):
    fig = plt.figure(figsize=(16, 8))
    ax = fig.add_subplot(111, projection='3d')
    # 绘制样本点，调低透明度避免遮挡质心
    ax.scatter(df['x'], df['y'], df['z'], c=y_predicted, alpha=0.3)
    # 用红色五角星标记聚类质心
    ax.scatter(centroids[:,0], centroids[:,1], centroids[:,2], c='red', s=200, marker='*')
    plt.show()

create_3d_scatter_wprd(df, km.cluster_centers_)

• 替代算法选型
  如果调整KMeans参数后效果仍不符合预期，可换用对簇密度、样本量不敏感的DBSCAN算法，你的三个簇完全分隔，DBSCAN无需提前指定簇数量即可实现精准聚类：

from sklearn.cluster import DBSCAN
# eps为邻域距离阈值，min_samples为核心点最少邻域样本数，可根据你的坐标范围调整
db = DBSCAN(eps=5, min_samples=10)
y_predicted = db.fit_predict(df1[['x','y','z']])

内容的提问来源于stack exchange，提问作者Saad el harchi