1. 这不是选择题而是你建模路上的第一道分水岭刚接触机器学习时我翻遍了所有入门教程发现几乎每本书、每个视频都在讲“监督学习”和“无监督学习”——但没人告诉我为什么这个区分如此关键它到底在决定什么直到我在一家做零售销量预测的公司落地第一个模型才真正踩进这个坑里。当时团队用带标签的历史销售数据训练了一个回归模型效果不错可当业务方突然提出“能不能把我们全国2000家门店自动分成几类看看哪些店的顾客行为更相似”我下意识掏出监督学习那套流程结果跑出来的聚类结果完全无法解释同一商圈的两家店被分到不同簇而相隔800公里的两家店却被归为一类。后来复盘才发现问题根本不在于算法调参而在于我从第一步就选错了范式——监督学习解决的是“已知答案找规律”的问题无监督学习解决的是“没有标准答案但需要发现结构”的问题。这两个方向就像两条平行铁轨一旦上错车后面所有努力都在加速偏离目标。今天这篇内容就是把我过去十年在金融风控、电商推荐、工业质检、医疗影像等十多个真实项目中反复验证过的判断逻辑、决策树、避坑清单全部摊开来讲。它不教你怎么写代码而是帮你建立一种直觉当你面对一个新需求时30秒内就能判断该走哪条路。核心关键词——监督学习、无监督学习、机器学习入门、标签数据、聚类分析、特征工程、模型评估逻辑——这些词不是术语堆砌而是你每天要打交道的“决策锚点”。如果你正卡在“该用分类还是聚类”“该标注数据还是直接上算法”“为什么模型结果总被业务方质疑”这类问题上这篇就是为你写的实战手册。2. 核心逻辑拆解为什么“有没有标签”是唯一不可妥协的起点2.1 标签的本质是业务问题的数学翻译很多人把“标签”简单理解为“Y值”或“目标列”这是最危险的认知偏差。标签其实是业务目标在数据世界里的精确映射。举个例子某银行要做信用卡欺诈检测。如果业务目标是“实时拦截每一笔可疑交易”那么标签就是“该笔交易是否最终被确认为欺诈是/否”此时你必须用监督学习——因为模型需要从成千上万笔已标记的“正常”与“欺诈”样本中学习出区分两者的边界。但如果业务目标变成“识别出一批高风险客户群体以便后续人工核查”那标签就不存在了——你手头只有客户的消费频次、单笔金额、地理位置跳变等原始行为数据没有任何一笔交易被打上“欺诈”标签。这时强行标注比如按金额5万元就标为可疑等于用主观规则替代模型发现结果就是模型学的不是欺诈模式而是你的标注偏好。我见过太多团队在这里栽跟头花三个月标注了10万条数据结果上线后发现标注标准和实际欺诈模式偏差极大模型准确率不到60%。根本原因是没先问清楚“这个标签是业务方能稳定提供、且与最终目标强相关的吗”2.2 监督学习的底层契约你提供答案我学习规则监督学习像一位严格的家庭教师。你给它看100道已知答案的数学题训练集它总结出解题套路模型参数再用这套套路去解新题预测。这个过程隐含三个硬性前提第一答案必须存在且可靠。如果训练数据里30%的标签是错的比如把正常交易标成欺诈模型学到的就是噪声规律。我在做医疗影像辅助诊断时遇到过极端案例放射科医生对早期肺癌结节的标注一致性只有72%导致监督模型在测试集上AUC始终卡在0.78远低于临床可用阈值0.85。最后解决方案不是换算法而是先做标注一致性校准Cohen’s Kappa 0.9再训练。第二答案必须覆盖所有关键场景。比如做自动驾驶障碍物识别如果训练数据里99%是白天城市道路只有1%是夜间雨天高速模型在后者上的误检率会飙升。这不是算法问题是数据分布失衡。我们后来强制要求每个天气时段道路类型的组合至少要有500张标注图。第三答案必须可泛化。你不能只给模型看“猫”的正面照就指望它认出侧脸或剪影。这引出了监督学习最常被忽视的环节——标签抽象层级的设计。例如电商商品分类如果标签是“iPhone 14 Pro Max 256GB 暗紫色”模型只能识别这一款如果抽象为“高端智能手机”它才能泛化到华为Mate 60、三星S24。我在做服装推荐系统时曾因标签粒度太细精确到SKU导致冷启动新品完全无法归类改用“风格品类价格带”三级标签后新品曝光转化率提升3.2倍。2.3 无监督学习的底层契约你提供数据我寻找结构无监督学习更像一位人类学家。你给它一堆未加注释的部落生活记录原始数据它通过分析行为模式、语言频率、工具使用习惯推断出这个社会可能存在的阶层、分工或信仰体系。它不承诺给出“正确答案”只提供一种数据内在结构的合理解释。这里的关键认知是无监督学习的结果没有对错只有是否符合业务假设。比如用K-means对用户分群得到5个簇。技术上SSE误差平方和最低的K5可能是最优解但业务上如果其中两个簇的用户行为高度重叠比如“高消费但低活跃”和“中消费但高活跃”在营销响应上无差异强行分成5类反而增加运营成本。我们曾在一个母婴APP项目中发现按RFM模型分出的8个用户群实际只需合并为3类新手妈妈、资深育儿族、囤货型家长就能覆盖92%的促销活动ROI。这说明无监督结果必须经过业务逻辑的“翻译”——算法输出的是数字你需要把它转译成“谁、在什么场景下、会做什么事”的人话。2.4 那些看似模糊地带的真实处理逻辑现实中很多需求处于灰色地带比如“异常检测”。它常被误认为是无监督任务但实际落地时90%的成功案例都依赖半监督或弱监督策略。举个实例某物流公司的货车油耗异常报警系统。初期用孤立森林Isolation Forest做无监督检测误报率高达45%——因为山路爬坡油耗天然高算法把正常场景判为异常。后来我们改用“伪标签”策略先用司机上报的127次真实异常事件如发动机故障、胎压异常作为正样本再从历史数据中采样同等数量的“典型正常”行程作为负样本构建小规模监督数据集。模型准确率立刻升至89%。这揭示了一个重要原则当领域知识足够强时用少量高质量标签撬动无监督场景往往比纯无监督更高效。另一个常见误区是“推荐系统”。很多人以为协同过滤是无监督的其实不然——用户点击、购买、停留时长这些行为本身就是隐式标签推荐本质是监督学习预测用户对未交互物品的偏好分。我们在做短视频推荐时把“完播率80%”定义为正样本“播放5秒”定义为负样本用逻辑回归建模效果远超纯聚类方案。3. 实操决策树从需求描述到范式选择的七步判断法3.1 第一步剥离业务语言提取核心动词所有机器学习需求最终都可归结为几个基础动词预测、分类、回归、分组、降维、关联、生成。而动词背后藏着范式线索“预测明天销售额” → 预测监督因有历史销售额作为Y值“把客户分成高/中/低价值三类” → 分组表面无监督但若已有LTV计算公式可转为监督分类“找出影响用户流失的关键因素” → 关联通常用监督学习中的特征重要性分析如XGBoost的gain值“压缩1000维用户画像到10维” → 降维无监督PCA/t-SNE我设计过一张检查表放在团队共享文档首页只要看到需求文档里出现“预测”“估计”“判断”“识别”“分类”“回归”等动词90%概率走监督路线出现“分组”“聚类”“发现模式”“探索结构”“降维”“异常检测无标注时”则优先考虑无监督。但注意“异常检测”要打问号——必须追问“是否有已确认的异常案例有多少”3.2 第二步验证标签可行性——三问法即使需求动词指向监督学习也必须用三问法验证标签是否真可行第一问标签能否被客观、稳定、低成本地获取比如做客服对话情绪识别如果依赖人工标注每句话的情绪喜怒哀惧单条成本2元10万条就是20万元且标注员间一致性难保证。这时应转向弱监督用客服回复时长、客户后续投诉率、NPS评分等代理指标构建标签。我们在某银行项目中用“通话结束后72小时内是否再次来电”作为“服务不满”的代理标签准确率达83%成本降为零。第二问标签是否与业务目标强相关某电商想提升复购率却用“下单即为正样本”训练模型。结果模型疯狂推荐低价包邮品易下单但难复购。改为用“30天内二次购买”作为正样本后模型推荐的商品复购率提升27%。第三问标签的时间粒度是否匹配业务节奏制造业设备故障预测是个经典陷阱。如果用“设备停机”作为标签但停机原因可能是备件缺货而非故障模型学的就是供应链问题。我们后来改用“振动传感器读数突变温度超阈值”作为复合标签提前48小时预警准确率从51%升至89%。3.3 第三步审视数据现状——四象限定位法把你的数据现状投射到二维坐标系X轴是“标签可用性”0%-100%Y轴是“业务目标明确性”模糊-清晰。四个象限对应不同策略右上象限标签充足目标清晰典型监督学习场景。如信贷审批有历史拒贷/通过标签目标明确为风险控制。重点投入在特征工程和模型调优。左上象限标签稀缺目标清晰采用迁移学习或自监督预训练。比如医疗影像用ImageNet预训练的ResNet提取特征再用少量标注数据微调。我们在肺结节检测中仅用200例标注数据就达到专家水平。右下象限标签充足目标模糊警惕这往往是需求没理清。比如“用所有销售数据建个模型”但没说要预测什么。必须退回和业务方对齐是要预测滞销品还是识别高潜力新品左下象限标签稀缺目标模糊无监督学习主战场。但切记先做探索性数据分析EDA。用t-SNE可视化用户行为序列可能发现“深夜下单用户”天然聚成一簇进而催生“夜猫子专属优惠”新策略。这才是无监督的价值——不是直接给答案而是帮你看清问题。3.4 第四步评估资源约束——成本-收益临界点计算监督学习的成本主要在标注无监督的成本在解释。我用一个公式量化决策监督学习总成本 标注成本 × 标注量 模型迭代成本 × 迭代次数无监督学习总成本 算法实现成本 业务解读成本 × 解读轮次其中标注成本包含人力、时间、质量校验业务解读成本指每次向业务方解释聚类结果、验证假设、调整参数所耗的会议与返工时间。在某快消品渠道优化项目中我们算过一笔账监督方案标注10万条终端铺货数据含陈列照片、价格标签、竞品信息成本约15万元预计提升铺货效率12%无监督方案用DBSCAN聚类门店地理与销量数据成本约2万元但需6轮业务讨论才能确定最优簇数与命名如“社区型高周转店”“景区型季节性店”每轮会议成本约0.8万元。最终选择无监督因为6轮×0.8万4.8万 15万且聚类结果直接驱动了区域经理的巡店路线优化。这说明当业务方深度参与解读时无监督的隐性成本远低于监督学习的显性标注成本。3.5 第五步预演评估逻辑——监督用指标无监督用故事监督学习的评估是客观的准确率、AUC、RMSE等数字一目了然。无监督学习的评估却是主观的你需要用业务故事证明结果有价值。我坚持一个原则无监督模型上线前必须产出一份《业务可解释报告》包含三要素典型用户画像如“簇A25-35岁女性月均消费800元偏好美妆与零食工作日午休下单高峰”业务动作建议如“对簇A用户在午休12:00-13:00推送美妆新品试用装”验证路径如“下周在50家试点门店执行该动作对比对照组监测转化率与客单价变化”。没有这三要素的无监督结果一律视为无效。某次我们用LDA主题模型分析客服工单输出“主题1支付失败”“主题2物流延迟”业务方说“这我知道”。后来改成“主题1支付失败集中于iOS 17.4系统微信支付错误码E203”并附上技术修复建议立刻被采纳。区别就在于前者是描述后者是可行动的洞察。3.6 第六步预留演进路径——从无监督到监督的跃迁设计最好的方案永远是能随业务成熟度演进的。我习惯在项目启动时就规划好“范式升级路线图”阶段10-3个月用无监督快速探路。如用K-means对用户分群验证是否存在可运营的细分市场阶段23-6个月基于无监督发现的结构设计监督学习标签。如发现“高价值但沉默用户”簇将其定义为“潜在流失用户”用其行为序列训练LSTM预测流失概率阶段36个月后用监督模型结果反哺无监督。如将预测流失概率0.8的用户作为新簇的种子点用半监督聚类扩展用户群。这个闭环在某教育APP中成效显著第一阶段聚类发现“碎片化学习者”每日学习10分钟但频次高第二阶段用其行为训练“学习动力衰减模型”第三阶段将模型预测的高衰减用户加入聚类精准定位出“需激励型用户”定向推送成就徽章后7日留存率提升19%。3.7 第七步终极验证——画出你的“决策影响图”拿出一张白纸画出从你的选择出发的两条分支选监督学习会导致你接下来必须做哪些事如组建标注团队、设计标注规范、采购标注平台、建立质量抽检机制选无监督学习会导致你接下来必须做哪些事如组织3次以上业务研讨会、准备可视化看板、编写用户画像说明书、设计A/B测试方案然后问自己团队当前最缺什么能力如果缺标注能力但业务方擅长解读数据选无监督如果缺业务解读能力但有成熟标注流程选监督。我在做工业质检时工厂老师傅能一眼看出产品缺陷但不会用数据说话。我们选择监督学习让老师傅标注1000张缺陷图模型学会后再用模型结果反向培训老师傅——把“我觉得有问题”变成“模型检测到边缘毛刺超标12μm”。这才是技术与人的正确协作方式。4. 核心技术点实操解析从原理到参数的硬核拆解4.1 监督学习的三大支柱损失函数、优化器、评估指标如何协同工作很多人调参只盯着learning_rate却忽略三者是耦合系统。以二分类任务为例损失函数选择决定模型关注点Binary Cross-EntropyBCE惩罚错误分类适合类别均衡场景Focal Loss对难分类样本加权解决长尾问题如欺诈检测中欺诈样本仅0.1%Label Smoothing将硬标签0/1软化为0.1/0.9防止模型过度自信。我在做金融风控时初始用BCEAUC达0.82但召回率仅65%改用Focal Lossγ2召回率升至78%AUC微降至0.81——业务方宁愿多查10个正常客户也不愿漏掉1个欺诈客户。这就是损失函数的业务含义。优化器选择决定收敛路径SGD学习率需手动衰减但泛化好Adam自适应学习率收敛快但易陷局部最优RMSProp对梯度平方做指数移动平均适合非平稳目标。实测经验小数据集1万样本用SGD学习率预热warmup大数据集用Adam。某次在10万条文本分类任务中Adam在第50轮就收敛但测试集准确率波动大换成SGD余弦退火第120轮收敛准确率稳定高出0.7%。评估指标必须与业务损失对齐不要迷信准确率。在疾病筛查中假阴性漏诊代价远高于假阳性误诊。我们用F2-Scoreβ2强调召回率并设置阈值使召回率≥95%再优化精确率。计算过程# 假设预测概率y_pred_proba, 真实标签y_true from sklearn.metrics import fbeta_score thresholds np.arange(0.1, 0.9, 0.05) f2_scores [fbeta_score(y_true, (y_pred_proba t).astype(int), beta2) for t in thresholds] best_threshold thresholds[np.argmax(f2_scores)]最终选定阈值0.32召回率95.3%精确率72.1%——业务方接受因为宁可让医生复查72个健康人也不能漏掉1个患者。4.2 无监督学习的四大陷阱从K-means到DBSCAN的避坑指南K-means看似简单实则暗坑密布陷阱1K值选择的伪科学肘部法则Elbow Method常失效。某次对用户分群SSE曲线平缓无肘点。我们改用Silhouette Score轮廓系数它衡量簇内紧密度与簇间分离度取值[-1,1]越接近1越好。但要注意当簇大小差异大时轮廓系数会偏向小簇。最终采用Gap Statistic——用均匀分布数据作基准计算实际聚类与随机聚类的差距。代码实现from sklearn.cluster import KMeans from sklearn.metrics import silhouette_score import numpy as np def gap_statistic(X, k_rangerange(1,11)): gaps [] for k in k_range: kmeans KMeans(n_clustersk, n_init10, random_state42) labels kmeans.fit_predict(X) # 计算gaplog(Wk) - E[log(Wk)]此处简化为轮廓系数 score silhouette_score(X, labels) gaps.append(score) return np.argmax(gaps) 1 # 返回最佳k best_k gap_statistic(user_features) # 返回4而非肘部法则的6陷阱2特征缩放的致命性K-means对量纲极度敏感。用户数据中“年消费额”万元级与“登录频次”个位数不缩放模型完全被高量纲特征主导。必须用StandardScalerZ-score标准化from sklearn.preprocessing import StandardScaler scaler StandardScaler() X_scaled scaler.fit_transform(X) # 关键fit_transform而非transform注意fit_transform必须在训练集上完成测试集用transform否则数据泄露。陷阱3距离度量的业务适配欧氏距离默认各维度权重相等但业务中“价格敏感度”可能比“颜色偏好”重要10倍。我们用Mahalanobis Distance马氏距离它考虑特征协方差from sklearn.covariance import EmpiricalCovariance cov EmpiricalCovariance().fit(X_scaled) # 自定义距离函数传入KMeans或更简单用feature_importance乘以各维度构造加权距离。陷阱4DBSCAN的ε与min_samples参数玄学ε邻域半径不是调参而是业务定义。在地理围栏场景中ε500米意味着“步行5分钟可达范围”在用户行为中ε0.3意味着“行为相似度70%”。min_samples应设为维度数1如10维特征则min_samples11避免噪声点被误判为簇。我们曾因min_samples5把单个高价值客户识别为“噪声”错失重要商机。4.3 特征工程监督与无监督的分水岭在此处交汇特征工程是唯一同时服务于两种范式的环节但目标截然不同监督学习的特征目标最大化预测能力关键操作Target Encoding用目标变量的均值编码类别特征如“北京”对应平均销量1200元但需防数据泄露——必须用KFold交叉验证编码Interaction Features构造业务强相关组合如“用户年龄 × 是否有孩子”对母婴消费预测提升显著Temporal Features时间序列中rolling_mean(7)比原始值更具预测性。无监督学习的特征目标最大化结构可发现性关键操作Remove Redundant Features用VarianceThreshold剔除方差0.01的特征如99%用户都不用的某个APP功能Transform Skewed Features对长尾分布如用户消费额用log1p变换使分布更接近正态Domain-Specific Scaling电商中“加购次数”与“收藏次数”量纲相同但业务意义不同应分别标准化。我在一个跨行业项目中发现同一组特征经监督式特征工程后XGBoost在测试集AUC0.89但用于K-means聚类轮廓系数仅0.42。而用无监督式特征工程后AUC微降至0.87但轮廓系数升至0.65。这证明特征没有绝对好坏只有是否匹配你的范式目标。4.4 模型融合当单一范式不够用时的实战策略真实项目极少只用一种范式。我的黄金组合是监督为主无监督为辅如用XGBoost预测用户LTV再用K-means对高LTV用户细分制定差异化服务策略无监督为主监督为校准如用t-SNE降维可视化用户发现异常簇再用监督模型如One-Class SVM对该簇建模实现自动化监控混合范式创新Self-Supervised Learning自监督学习是近年突破。例如在文本领域用Masked Language ModelingBERT式预训练再用少量标注数据微调——这本质上是用无监督任务预测被遮盖词学习通用表征再用监督任务分类适配下游。我们在法律文书分类中仅用200条标注数据结合BERT预训练准确率就达86%超过传统监督方法用2000条数据的效果。5. 真实项目复盘从踩坑到交付的完整链条5.1 项目背景某新能源车企的电池健康度预测监督学习实战需求“预测每辆车电池剩余寿命SOH误差5%”初始方案收集10万辆车的电压、电流、温度、充放电循环次数用LSTM回归预测SOH。踩坑测试集RMSE8.2%远超5%目标。根因分析标签SOH由实验室拆解测量但实际车辆无法获取属于“理想标签”数据中80%为正常行驶数据仅20%含异常充电行为快充、低温充电模型学不到关键模式。解决方案标签重构用“同批次电池在相同里程下的容量衰减率”替代绝对SOH消除实验室测量偏差数据增强对20%异常数据做SMOTE过采样并合成极端场景如-20℃快充100次特征工程引入ΔCapacity/ΔCycle单位循环容量衰减作为核心特征比原始容量值更具判别力。结果RMSE降至4.3%上线后电池质保成本降低12%。关键心得监督学习的瓶颈90%不在算法而在标签与特征的业务对齐度。5.2 项目背景某连锁药店的慢病用户分群无监督学习实战需求“识别出有糖尿病管理需求的用户群体支持精准用药提醒”初始方案用K-means对用户购药记录胰岛素、血糖仪、试纸聚类。踩坑得到5个簇但业务方反馈“看不出区别”。根因分析特征仅用购药频次忽略时间序列模式如“每月1号固定购药”vs“血糖异常后突击购药”未引入外部数据如合作医院的诊断记录虽无标签但含疾病代码。解决方案特征升级构造Time-Series Motifs时间序列基序用SAX算法将购药序列转为字符串再用TF-IDF向量化多源融合将医院诊断代码ICD-10作为辅助特征用Multi-View Clustering联合优化业务翻译将簇命名为“规律用药型”“应急购药型”“器械依赖型”并匹配用药提醒策略如对“应急购药型”用户在购药后第3天推送血糖监测提醒。结果用药提醒打开率提升3.8倍用户血糖达标率提升22%。关键心得无监督的价值不在于“分得有多准”而在于“分得有多懂业务”。5.3 项目背景某政务热线的工单智能分派混合范式实战需求“将市民来电工单自动分派给最合适的部门准确率85%”挑战工单文本短平均12字、歧义多如“水管坏了”可能是住建局、水务局或街道办、标注数据少仅2000条历史分派记录。混合方案无监督探路用BERT-wwm对10万条未标注工单做嵌入用UMAP降维HDBSCAN聚类发现7个语义簇如“噪音投诉”“违建举报”“社保咨询”监督精炼对每个簇用2000条标注数据训练轻量级TextCNN专攻簇内细粒度分类动态校准上线后将模型置信度0.7的工单送人工标注每周更新监督数据集。结果首年准确率86.3%第二年达91.7%因持续注入高质量标注。关键心得混合范式不是炫技而是用无监督降低标注门槛用监督保障精度底线。5.4 项目背景某直播平台的主播潜力评估范式误判复盘初始判断业务方说“想识别有潜力的新主播”我直接上了监督学习用历史TOP100主播的数据训练模型。失败模型在新主播上准确率仅52%比随机猜测还差。复盘发现范式错配潜力是未来概念历史TOP主播的数据反映的是“已成功因素”而非“潜力因子”数据偏差历史数据中95%为主播开播30天而新主播多为7天分布不匹配。修正方案改用无监督对新主播的前7天数据开播时长、观众互动率、粉丝增长斜率做聚类发现“爆发型”首播即高互动与“成长型”互动率逐日上升两类用监督学习验证回溯发现82%的“爆发型”主播在30天后进入TOP100而“成长型”仅35%。结果基于聚类结果的运营策略对“爆发型”主播立即配流量扶持使新主播30日留存率提升41%。关键心得当模型表现异常差时第一反应不该是调参而是质疑范式选择——这是十年踩坑后最深刻的直觉。6. 常见问题速查表与独家避坑技巧问题现象根本原因排查步骤解决方案我的独家技巧监督模型在测试集上AUC很高但业务方说不准标签与业务目标错位1. 检查标签定义文档2. 抽样100条预测高分样本人工验证是否真符合业务预期重定义标签用业务动作替代结果如“预测会投诉”→“预测会在24小时内拨打投诉热线”在标注前让业务方用5个真实案例现场标注观察一致性。若分歧30%暂停建模先统一业务语言。K-means聚类结果每次运行都不一样随机初始化导致局部最优1. 检查n_init参数默认10应设为502. 观察不同初始化的轮廓系数方差增加n_init100用KMeans初始化或改用Mini-Batch K-Means提升稳定性用cluster_centers_的欧氏距离矩阵做稳定性评估若中心点间距离标准差0.05说明结果可靠。无监督模型输出的簇业务方拒绝使用缺乏业务可解释性1. 检查是否产出《业务可解释报告》2. 验证簇内用户是否真有共同行为用SHAP值解释每个簇的特征贡献生成“该簇用户最显著的3个行为特征”清单在聚类前和业务方一起头脑风暴“你希望看到的用户类型”把业务假设写成聚类目标如“希望找到月均消费5000且从不买折扣品的用户”再用约束聚类Constrained Clustering实现。监督模型过拟合训练集准确率99%测试集60%特征泄露或数据分布偏移1. 检查特征是否包含未来信息如用“当月最终销量”预测“当月销量”2. 用KS检验对比训练/测试集特征分布移除时间相关泄露特征用train_test_split时设置stratifyy保持标签分布一致在特征工程后用pdpbox画出每个特征的偏依赖图若某特征在测试集上PDP曲线与训练集差异20%即为泄露信号。无监督聚类后各簇样本量极不均衡如90%在簇1距离度量或缩放不当1. 检查是否所有特征都做了标准化2. 用pairplot观察特征两两分布对长尾特征用log1p变换对类别特征用Target Encoding后标准化用imbalanced-learn库的ClusterCentroids方法对大簇进行欠采样确保各簇样本量在1:3范围内再重新聚类。提示所有聚类任务开始前务必做PCA降维可视化。我坚持一个原则如果前2个主成分能解释70%方差且散点图上肉眼可见自然分组再