企业官网建设流程全解析

简介：X-means.zip是一套基于MATLAB实现的X-means聚类算法源码包，面向需要自动确定聚类数量的算法研究者和数据分析人员。传统K-means需要预先指定聚类个数K，而X-means借助贝叶斯信息准则（BIC）在迭代中尝试对每个聚类进行分裂，并比较分裂前后的BIC值决定是否接受分裂，从而自适应地确定最优聚类数量。压缩包共6个m文件，大小仅4KB，包含X-means主循环、标准K-means对照实现、BIC计算、两种初始中心选择策略和聚类中心扩展逻辑，结构紧凑，适合逐行阅读与调试。已有496人学习该压缩包。通过对比X-means与K-means的差异，读者能深入理解BIC在聚类数选择中的权衡作用，掌握不同初始中心选取方法对聚类结果的影响，并可直接将代码迁移到自己的数据集，完成更高效、更自动化的聚类任务。

1. 为什么 X-means 能救回 K-means：K 值终于不用拍脑袋了

做聚类分析的人迟早都会撞到同一个尴尬：我用的不是 K-means，而是“给 K-means 猜 K”。K 值拍脑袋定，跑出来就得靠肘部法则、轮廓系数给结果圆场，指标不好看就换一个 K 再跑——循环往复，真正的业务问题反而被丢在一边。标题里的 X-means 是我在 MATLAB 里一直在用的改进 K-means 方案：它把 K 值选择从人工试探变成算法内循环的一部分，用二分分裂加 BIC 模型选择自动收敛到合理的簇数，使用者只需要给它一个 maxK 上限。这篇文章用 MATLAB 手写一套可直接运行的 X-means，讲清 BIC 怎么算、分裂怎么接、哪里容易翻车，以及做完之后怎么验证结果，适合正在做聚类分析、又想摆脱“试 K”循环的读者。

2. K-means 的三个病灶与 X-means 的改进机制：从 2-means 分裂到 BIC 裁决

2.1 K-means 的三个老毛病：K 未知、初始中心敏感、局部最优

K-means 本身不是一个“完整”的聚类算法，它只解决“给定 K 之后怎么把点分完”的问题。真实业务里最难的恰恰是 K 本身：2000 条用户数据要分群，老板问分几群，没人知道答案。肘部法则看起来给了答案，但换一个人画图，“肘”的位置就可能变；轮廓系数可以在 2 到 20 之间扫描一遍，但这本质上就是把“猜 K”这件事用更耗时的办法又做了一遍。

第二个毛病是初始中心敏感。同一个数据集、同一个 K，换了随机种子，可能收敛到完全不同的局部最优。MATLAB 的 kmeans 默认重复多次取最优，缓解了一部分问题，但“局部最优”这个结构性问题还在：簇与簇之间如果存在重叠，K-means 很容易在迭代中把两个真实簇合并成一个，之后无论怎么迭代都回不去。第三个毛病是噪声样本会把中心拽离真实位置，尤其当某个簇的样本量特别小时，一两个离群点就足以让这个簇在下一轮迭代里被别的簇吞掉。

这三个问题表面上是三件事，本质上是一件事：模型选择缺位。K 不知道，中心初始化不对，局部最优逃不出来，都源于没有一个“判断当前聚类结果是否足够好”的准则。X-means 的做法是把“模型好不好”的评估直接放进循环里，让算法自己决定要不要继续分。

2.2 X-means 的核心机制：每个簇尝试 2-means，用 BIC 决定是否接受分裂

X-means（Pelleg & Moore, 2000）的思路非常工程化：从 K=2 开始，跑一次标准 K-means 收敛；然后对每一个簇单独做一次 2-means 分裂尝试，用 BIC 比较“该簇保持一个高斯簇”与“该簇分裂成两个高斯子簇”哪个模型更优；接受所有 BIC 显示更优的分裂，合并所有中心后再跑一次全量 K-means；重复直到没有分裂被接受或达到 maxK。

关键在 BIC。BIC（贝叶斯信息准则）在聚类场景里可以写成：

BIC = -2 * ln(L) + p * ln(n)

其中 L 是当前模型对数据取到的最大似然，p 是自由参数个数，n 是样本数。对一个簇来说，如果假设簇内样本服从各向同性的高斯分布，对数似然可以按簇展开：

ln(L) = sum_i [ -n_i * d/2 * ln(2*pi) - n_i/2 * ln(sigma_i^2) - SSE_i / (2 * sigma_i^2) ]

SSE_i 是第 i 个簇内所有点到中心的平方距离之和，sigma_i^2 是该簇的方差估计。BIC 把似然增益和参数代价放在同一个天平上：分裂成两个簇，多出来的一个 d 维权值中心和一个方差参数（共 d+1 个自由参数）必须用足够的似然增益来偿还，否则 BIC 就会变大，分裂被拒绝。

这里有一个工程细节值得说：X-means 的比较是“局部”的，每个簇单独算自己的 BIC，而不是每次分裂都重算全局 BIC。如果重算全局，每次分裂都要把所有样本的似然重新加一遍，复杂度是 O(ndK)，循环几十次就非常难看。局部 BIC 只关心当前簇内部，开销和这个簇的样本量线性相关；代价是贪心决策可能错过全局最优，但 X-means 本身就是贪心分裂策略，局部比较和这个策略是自洽的。

2.3 为什么选 BIC 而不是 AIC、肘部法则或轮廓系数

AIC 的惩罚项是 2p，不随样本量变化；BIC 的惩罚项是 p*ln(n)，在样本量稍大时明显更重。聚类数据动辄几千上万条，用 AIC 做分裂判据，模型几乎总是倾向于继续分，最后 K 值一路冲到上限。BIC 的惩罚随样本量增长，能在“数据量大”和“模型复杂”之间取得更好的平衡，防止过分裂。

肘部法则的问题是“肘”的定义依赖人的眼睛。不同人画同一张 SSE-K 曲线，有人觉得 K=3 是肘，有人觉得 K=4 才是；而且在真实业务数据上，曲线往往没有明显的肘，只有一个缓坡。X-means 把“要不要分”转化成一个具体的数值比较，省掉了这个主观环节。

轮廓系数的问题在于计算量。它需要为每个样本计算它与同簇其他样本的平均距离、与最近邻簇所有样本的平均距离，复杂度接近 O(n^2·d)。在 X-means 的每次分裂尝试里都跑一遍轮廓系数，算法会慢几个数量级，而且它优化的是“分离度”而不是模型结构，最大化轮廓系数的 K 并不总是业务上想要的 K。轮廓系数适合作为跑完之后的验证指标，不适合作为循环内的分裂判据。

需要说明边界：X-means 的高斯假设只是给 BIC 提供了似然标尺，不要求数据真的服从高斯分布。任意形状的簇照样能跑，只是 BIC 的统计意义会减弱；数据分布极度偏斜时，分裂决策可能失真。这一点在调参时心里要有数。

3. 在 MATLAB 里从零手写 X-means：主循环、BIC 子函数与验证代码

3.1 先想清楚分工：kmeans 管局部收敛，computeBIC 管模型裁决

拿到 X-means.zip 这类资源包时，我一般不会直接 run 主函数，而是先快速扫一眼它内部的“分裂接受准则”——网上流传的很多实现在这里偷懒，有的用 SSE 差值代替 BIC，有的干脆只要子簇不空就分裂。真正靠得住的实现必须满足两个条件：BIC 算得对，分裂保护做得到位。

代码组织上，我习惯拆成两个函数：主函数 xmeans 负责整体循环和分裂调度，子函数 computeBIC 负责单个簇的 BIC 计算。kmeans 本身由 MATLAB 的 Statistics and Machine Learning Toolbox 提供，它做局部收敛比任何手写版本都可靠，不值得自己造轮子。

3.2 核心代码：xmeans 主函数

function [bestK, centers, labels, history] = xmeans(X, maxK, opts) % X-means: 在 K-means 上自动选择簇数的 MATLAB 实现 % 输入: % X - n x d 样本矩阵 % maxK - 期望的最大簇数 % opts - 可选参数结构体, 支持字段: % .maxIter kmeans 最大迭代次数, 默认 100 % .splitBicGap 分裂需超过的 BIC 增益, 默认 0 % .minPoints 允许分裂的最小簇样本数, 默认 3 % .replicates kmeans 重复次数, 默认 5 % .verbose 打印迭代过程, 默认 false % 输出: % bestK - 最终簇数 % centers - bestK x d 的簇中心 % labels - n x 1 的标签向量 % history - 结构体数组, 记录每次迭代的 K / centers / labels if nargin < 2, maxK = 20; end if nargin < 3, opts = struct(); end maxK = max(2, min(maxK, size(X,1))); % ---- 读取参数与默认值 ---- if isfield(opts, 'maxIter') maxIter = opts.maxIter; else maxIter = 100; end if isfield(opts, 'splitBicGap') splitBicGap = opts.splitBicGap; else splitBicGap = 0; end if isfield(opts, 'minPoints') minPoints = opts.minPoints; else minPoints = 3; end if isfield(opts, 'replicates') replicates = opts.replicates; else replicates = 5; end if isfield(opts, 'verbose') verbose = opts.verbose; else verbose = false; end % ---- 从 K=2 启动 ---- [labels, centers] = kmeans(X, 2, ... 'MaxIter', maxIter, 'Replicates', replicates, 'Start', 'plus'); K = 2; history(1) = struct('K', K, 'centers', centers, 'labels', labels); % ---- 主循环 ---- for iter = 1:maxIter improved = false; newCenters = []; newLabels = zeros(size(X,1), 1); for i = 1:K idx = (labels == i); Xi = X(idx, :); ni = size(Xi, 1); % 防退化: 样本过少的簇不参与分裂 if ni < max(minPoints, 3) newCenters = [newCenters; centers(i, :)]; newLabels(idx) = size(newCenters, 1); continue; end % 簇内跑一次 2-means, 尝试分裂成两个子簇 [subLbl, subC] = kmeans(Xi, 2, ... 'MaxIter', maxIter, 'Replicates', 1, 'Start', 'plus'); parentBIC = computeBIC(Xi, centers(i, :), ones(ni, 1)); childBIC = computeBIC(Xi, subC, subLbl); % 分裂后 BIC 更低说明模型更好, 接受分裂 if parentBIC - childBIC > splitBicGap improved = true; globalIdx = find(idx); for c = 1:2 newCenters = [newCenters; subC(c, :)]; newLabels(globalIdx(subLbl == c)) = size(newCenters, 1); end else newCenters = [newCenters; centers(i, :)]; newLabels(idx) = size(newCenters, 1); end end K = size(newCenters, 1); % 用新中心集做一次全量 kmeans, 相当于精修 [labels, centers] = kmeans(X, K, ... 'MaxIter', maxIter, 'Replicates', 1, 'Start', newCenters); history(end+1) = struct('K', K, 'centers', centers, 'labels', labels); if verbose fprintf('[xmeans] iter %d -> K = %d\n', iter, K); end if ~improved break; end end bestK = K; end

这段代码里，每一个簇的分裂尝试只做一次 2-means，并且 Replicates 设成 1，目的是让主循环的时间可控；代价是子分裂结果对随机种子更敏感，复现结果时需要固定 rng。分裂接受条件写的是 parentBIC - childBIC > splitBicGap，含义是“子模型的 BIC 比父模型小多少才值得分”，默认 0 分不额外要求余量，后续调参可以把这个值往正数调。

newLabels 那两行的索引映射是典型的出错点：subLbl 是 Xi 内部的标签（长度 ni），不能直接和全局 idx（长度 n）做逻辑与。先用 find(idx) 拿到这簇样本在原始数据里的全局下标，再通过 subLbl == c 取子集，映射才是安全的。

3.3 核心代码：computeBIC 子函数

function bic = computeBIC(Xi, center, labels) % 计算单个簇(或一组样本)在高斯模型下的 BIC % Xi - m x d 样本矩阵 % center - K x d 的中心矩阵, K 是簇数 % labels - m x 1 标签, 取值为 1..K [m, d] = size(Xi); K = max(labels); if m <= K bic = inf; % 样本不足以估计模型, 禁止分裂 return; end logL = 0; for k = 1:K Xk = Xi(labels == k, :); nk = size(Xk, 1); if nk < 1 bic = inf; return; end mu = center(k, :); % 当前簇中心 sqDist = sum((Xk - mu).^2, 2); % 每个样本到中心的平方距离 varHat = sum(sqDist) / nk; % 簇内方差的极大似然估计 varHat = max(varHat, eps); % 保护: 防止零方差导致 log(0) logL = logL - nk * d / 2 * log(2*pi) ... - nk / 2 * log(varHat) ... - sum(sqDist) / (2 * varHat); end % 自由参数个数: 每个簇一个 d 维权值中心 + 一个方差 p = K * (d + 1); bic = -2 * logL + p * log(m); end

BIC 子函数里有三个细节值得注意。第一，varHat 用的是极大似然估计，分母是 nk 而不是 nk-1，因为 BIC 里的模型是生成模型，不是做无偏方差估计。第二，p = K * (d + 1) 里的 d 是特征维数，这个参数在后续调参会直接影响分裂倾向，很多网上实现在这里写错，要么漏乘 d，要么写成样本数，结果 BIC 惩罚项算出来完全不对。第三，当某个簇只有一个样本时，varHat 为 0，log(0) 会算出 -Inf，导致整个 BIC 变成 NaN，所以我先用 max(varHat, eps) 打补丁，再在调用端用 minPoints 做硬性保护——补丁是治标，minPoints 才是治本。

3.4 用一个三层高斯混合数据验证代码

rng(2024); % 固定随机种子, 保证结果可复现 X = [randn(300,2) * 0.3 + [0, 0]; randn(300,2) * 0.3 + [3, 0]; randn(300,2) * 0.3 + [1.5, 2.5]]; opts = struct('replicates', 3, 'verbose', true); [K, centers, labels] = xmeans(X, 10, opts); figure; gscatter(X(:,1), X(:,2), labels); hold on; plot(centers(:,1), centers(:,2), 'kx', 'MarkerSize', 12, 'LineWidth', 2);

这个实验数据刻意造得很“听话”：三簇高斯，方差一致，中心分隔明显，K=3 是唯一合理的答案。如果 xmeans 输出 K=3，说明主循环和 BIC 子函数的工作正常；如果输出 K=2，优先检查 BIC 里 p 的写法是否漏了 d；如果输出 K=4 或更大，把 splitBicGap 调到 1 到 5 之间的正数再跑。gscatter 画出来之后，可以直观看到中心点是否落在每个簇的几何中心附近——这能顺带验证精修那一步有没有把中心位置拉回正确的地方。

4. 让 X-means 更稳的四个改进：初始化、距离度量、过分裂保护与并行

4.1 初始化改进：k-means++ 与 Replicates 解决“每次结果不一样”

MATLAB 的 kmeans 从 R2014a 开始支持 Start='plus'，也就是 k-means++ 初始化。它比默认的随机采样给出的初始中心更分散，能显著降低局部最优的概率。我代码里所有 kmeans 调用都加了 'Start', 'plus'，包括簇内那次 2-means——子分裂的初始中心如果不好，BIC 会基于一个糟糕的局部最优做裁决，可能误判“不该分裂”。

光有 k-means++ 还不够。主函数入口和簇内子分裂的初始中心仍然涉及随机性，同一份数据跑两次可能得到不同的 K。最省事的做法是在调用端固定随机种子：

rng(42); [K, centers, labels] = xmeans(X, 10, opts);

固定种子保证“每次结果一样”，但代价是只探索了一条路径。如果项目需要更可靠的结论，把主循环里全量 kmeans 的 Replicates 从 1 调到 3 或 5，每轮迭代都会用多个初始中心重新优化，结果稳定性好很多，只是耗时线性上升。我的经验是：10 万条以内 Replicates=3 是可接受的上限，超了优先用固定种子而不是堆重复次数。

4.2 距离度量改进：余弦距离场景先做 L2 归一化

X-means 的 BIC 子函数从欧氏距离出发，方差估计和 SSE 都默认数据在欧氏空间里。做文本 TF-IDF、高维稀疏特征这类聚类时，业务上更常用余弦距离，但如果直接给 kmeans 换 'Distance', 'cosine'，BIC 里 varHat 的含义就悬空了——余弦距离的“方差”和欧氏距离的“方差”不是同一个量，强行混用会让 BIC 的分裂裁决失去统计意义。

常见的做法是：先对样本做 L2 行归一化，再继续用 sqeuclidean。

X = X ./ vecnorm(X, 2, 2); % 每行除以 L2 范数, 样本落到单位球面

归一化之后，欧氏距离的平方与余弦距离只差一个常数倍数：当 a 和 b 都是单位向量时，||a - b||^2 = 2 - 2*cos(theta)。这意味着按 sqeuclidean 跑出来的簇结构和按余弦距离跑出来的一致，而 BIC 里的高斯假设仍然说得通。代价是样本被投影到单位球面上，原来的簇形状会被球面曲率稍微扭曲，但只要簇不是特别狭长，工程上影响很小。

马氏距离我不建议在 X-means 循环里直接用：它需要先估计全局协方差矩阵并做白化，高维数据下协方差估计本身就不稳定，白化后特征的含义也会变。真要处理各向异性很强的数据，先白化一次，再跑标准 X-means，比给算法加一个马氏距离选项可靠得多。

4.3 过分裂保护：minPoints 和 splitBicGap 是防翻车的关键参数

X-means 最容易被骂的一点是“分着分着就失控”，K 值一路冲到 maxK，分出来一堆一两个点的碎片簇。这不是算法本身的问题，而是用户没有设置分裂保护。两个参数配合使用：

minPoints 我一般取 3 到 5。它保护的是“样本太少的分裂尝试”：一个只有三五个点的簇，分裂成两个子簇后，每个子簇只有一两个点，中心位置几乎完全被个别样本牵着走，这种分裂即使 BIC 看起来更好，也没有任何业务解释力。splitBicGap 是我调 K 值时第一个动的旋钮：欠拟合就往负数调，允许 BIC 小幅度恶化也接受分裂；过拟合就往正数调，要求分裂带来足够显著的似然增益。

4.4 并行：数据量上去之后才值得做的两件事

对 kmeans 本身开并行是最低成本方案。MATLAB 的 kmeans 支持用 statset 配置并行，多核机器上 Replicates 会被分散到多个 worker：

options = statset('UseParallel', true); [labels, centers] = kmeans(X, K, 'Options', options);

这个做法只对“大样本 + 多次重复”的场景有明显收益，10 万条以内基本感觉不到变化，反而是并行池启动的 overhead 占了上风。另一个更高级的并行思路是：在 parfor 里用不同的随机种子跑多个独立的 X-means，收集 K 值分布，用“多教投票”代替单次运行。

parfor b = 1:16 rng(b); % 每个 worker 用不同的种子 Klist(b) = xmeans(X, 10, opts); end histogram(Klist);

这个做法的代价是随机性变得不可精确复现——worker 端的随机数序列不完全由主线程的 rng 控制，但用于“看 K 的分布范围是否稳定”已经足够。如果 K 在 3 和 5 之间跳，说明数据本身没有清晰的簇数；如果 K 每次都严格等于同一个值，结构才算稳。

5. X-means 避坑排查：五个让聚类结果翻车的典型陷阱

5.1 BIC 算出 NaN 或 -Inf，程序静默停在 K=2

现象：主循环跑完，K 永远是 2，控制台没有任何报错。

原因：某个簇样本数只有 1，或者簇内所有点到中心的距离都是 0。前者让 varHat 为 0，后者让 varHat 在取 max 之前就是 0，log(0) 直接算出 -Inf，BIC 变成 NaN，分裂条件永远不成立。

解决：computeBIC 开头保留 m <= K 的保护分支，全量调用时强制 m = size(Xi, 1) 而不是全局样本数；varHat 用 max(varHat, eps) 兜底。真正根治还是在主函数里保留 minPoints 检查——靠补丁掩盖退化情况，只是让代码“看起来没死”。

5.2 maxK=10，K 一路冲到 10，最后出现一两个点的碎片簇

现象：输出 K 等于 maxK，其中一个簇只有 1 到 2 个点，其他簇也很碎。

原因：BIC 惩罚被低估，最常见的笔误是 p 只算了 K，漏乘 (d + 1)，或者 splitBicGap 被设成了负数。另一种情况是数据本身噪声很大，噪声点在欧氏空间里形成了一些“一对一”的假簇，BIC 在样本足够多的局部会认为这些假簇值得保留。

解决：先把 splitBicGap 调到 2 到 10 之间的正数，观察 K 是否回落。再用 minPoints=5 兜底，小于 5 个点的簇直接不参与分裂。要记住一个现实：噪声数据里不存在真实的 K，自动聚类算法在噪声上会造出看起来很合理、实际上没有任何可解释性的假象。

5.3 同一份数据，每次运行 K 值都不同，没法向别人汇报

现象：第一次跑 K=3，第二次 K=5，第三次又回到 3。

原因：kmeans 是局部寻优算法，X-means 的每个子分裂都依赖初始中心；Replicates=1 时随机性没有被平均掉，几棵子树的贪心决策累积起来，K 值就飘了。

解决：固定 rng 是第一层补救，保证同一份数据在同一机器上可复现。第二层是接受事实并用统计方法量化不确定性：Bootstrap 抽样跑 20 到 30 次，看 K 的分布；汇报时写“K 集中在 3 到 4，众数为 3，占比 70%”，比硬写一个绝对 K 值诚实得多。除非业务明确需要一个整数，否则不要为这一点随机性浪费时间。

5.4 K 停在 2，连已知有 3 类的数据都跑不出 3

现象：用 3.4 节的三簇高斯数据实验，X-means 只给 2 个簇。

原因：如果数据肉眼可分，问题几乎一定出在 BIC 惩罚项过大。高维数据下 p = K * (d + 1) 随维度线性增长，样本量一大，p*ln(n) 会吞掉分裂带来的似然增益，让算法变得极其保守。另一个隐藏原因：调用时把 maxK 传成了 1，kmeans 报错后函数退回到默认值 2。

解决：先确认 maxK 至少大于预期 K。然后把 splitBicGap 改成 -1，允许 BIC 轻微变差也接受分裂，跑一次看分裂动作是否发生。再把数据降到 2 维做可视化——有些数据在二维投影里看起来可分，在高维空间里实际上只有一个主要的分离方向，K=2 可能才是正确结论，这时不要硬调参数。

5.5 10 万乘 300 维的数据，MATLAB 内存爆炸或慢到让人放弃

现象：代码在 kmeans 调用处长时间无响应，或者直接报内存不足。

原因：主循环里反复切片 X(idx, :)，每次切片都在内存里复制一份子矩阵；如果还在 center 更新处写了三层 for 循环，每层都对全量样本做距离计算，内存和 CPU 都会被打爆。高维数据下 BIC 的 p*ln(n) 惩罚本来就偏大，分裂决策也会失真。

解决：不要手写 kmeans 更新逻辑，用 MATLAB 内置版本。大数据先 pca 降维到 30 到 50 维再跑 X-means，把完整维度的 kmeans 留给最后精修。10 万条以上可以先用 2 万条子样本跑出 K，再在全量数据上用固定 K 做一次 kmeans 分配——这是工程上的取舍，不是为了追求“纯算法”。

6. 验证 X-means 结果可信度的两个手段：evalclusters 与 Bootstrap 稳定性

6.1 用 evalclusters 先验证数据本身有多少簇

X-means 跑出来的 K 值再漂亮，也只是算法自己的判断；作为工程师，我会先用独立的指标工具对拍一次。MATLAB 的 evalclusters 可以直接对同一份数据跑 silhouette 和 Calinski-Harabasz 指标，不需要自己写评价函数：

eva = evalclusters(X, 'kmeans', 'silhouette', 'KList', 1:10); figure; plot(eva);

把 evalclusters 给出的最优 K 和 X-means 给出的 K 放在一起看。两者一致时结论基本可靠；不一致时，优先怀疑 splitBicGap 的方向，以及数据在高维空间里是否真的存在可分离结构。注意 evalclusters 的 KList 扫描本身就是一次“猜 K”，它只用来交叉验证，不替代 X-means 的自动选择。

6.2 Bootstrap 稳定性：抽样扰动下 K 是否守得住

聚类结果的价值在于可重复，抽掉 10% 的样本再跑一次结果就变，那这个 K 就不值得写进报告里。我的习惯是对样本做 80% 有放回抽样，跑 30 次 X-means，把 K 值分布画成直方图：

Klist = zeros(30, 1); rng(1); for b = 1:30 idxs = randsample(size(X,1), round(0.8 * size(X,1))); Klist(b) = xmeans(X(idxs, :), 10, opts); end histogram(Klist, 'Normalization', 'probability');

如果直方图在某个 K 值上的峰高超过 0.6，说明数据结构稳定；如果分布均匀地铺开，说明数据本身没有强结构，X-means 只是在噪声上做文章。这一步还能顺带看中心位移——每次运行的最佳簇中心之间的平均位移可以度量聚类的可重复性，位移大说明初始化或局部最优问题没被完全压住。

6.3 跑完先问三个问题，再谈改进

我自己在 X-means 上翻过不少车，后来养成了一个习惯：任何聚类算法跑完，先问三个问题——K 值在 Bootstrap 抽样下稳不稳；每个簇的簇内方差是不是同一个数量级；最外层的语文描述能不能解释给一个不懂算法的人听。三个问题都能回答，聚类结果才算数；有一个回答不了，就先回去调 splitBicGap 和 minPoints。X-means 不是一个黑匣子，它把“猜 K”的负担从人移到了 BIC 上，但模型选择是否合理，最终还是要人来确认。希望这些拆解和踩坑记录帮到你。

本文还有配套的精品资源，点击获取