Orange3中使用K-Means聚类出现簇重叠、轮廓系数低问题咨询

• 降维可视化的固有局限：你是将高维特征投影到2维平面绘制散点图，即使K-Means在高维空间已经把簇分开，投影过程中会丢失维度信息，天然就会出现视觉上的簇重叠。如果你的K-Means是在超过2维的PCA主成分空间训练的，这种重叠情况会更明显。
• 数据本身无明确簇边界：从你提供的散点图可以看出，样本整体是连续分布的，没有明显分隔开的高密度团块，这种情况下不管怎么聚类，簇和簇之间都会有重叠。
• K值设置偏大：如果选择的K值超过数据实际存在的自然簇数量，K-Means会强行拆分原本的单个簇为多个子簇，拆分出的子簇本来就相邻，必然会出现重叠。

• 数据本身不具备可聚类性：这是该现象的最核心诱因。轮廓系数的计算逻辑是对比单样本到同簇其他样本的平均距离，和到最近异簇样本的平均距离的差值，如果数据本身是均匀分布、单一连续分布，不存在天然的离散簇，不管选什么K值，轮廓系数都会维持在0.2以下的低水平，也不会出现明显的峰值。你可以先通过霍普金斯统计量校验数据的聚类趋势，统计量低于0.5的情况下不建议做聚类分析。
• 特征有效性不足：如果输入的特征中噪声占比过高，或者特征本身无法有效区分样本差异，聚类模型找不到合理的分簇依据，也会导致轮廓系数普遍偏低。
• K-Means算法适配性差：K-Means仅对球状、密度相近、类间间隔明显的簇效果好，如果你的数据实际簇是环形、带状等非球状结构，K-Means无法正确识别，自然不会出现理想的轮廓系数峰值。
• 预处理方式不合理：如果归一化时没有区分特征的重要性，将区分度高的重要特征和无意义特征同等缩放，会压低有效特征的区分度，最终影响聚类效果。

内容的提问来源于stack exchange，提问作者taylor