【示例】零售用户分群：PCA 降维后的 K-Means 画像

问题是什么？

指标太多且相关，如何压缩？

使用什么模型？

PCA

为什么使用这个模型？

直接聚类会被相关指标重复拉扯，先降维更稳。

核心公式是什么？

Σv = λv，取累计方差 ≥ 80% 的主成分

得到了什么结果？

前两个主成分解释了大部分差异：消费强度与价格敏感。

问题是什么？

把用户分成若干类。

使用什么模型？

K-Means

为什么使用这个模型？

目标是得到可解释的运营分层，K-Means 中心点很好讲故事。

核心公式是什么？

argmin ∑ ||x - μ_k||^2

得到了什么结果？

得到高价值、潜力、价格敏感三类。

问题是什么？

如何处理异常刷单用户？

使用什么模型？

DBSCAN

为什么使用这个模型？

刷单点密度低，DBSCAN 能先标成噪声再聚类。

核心公式是什么？

核心点邻域点数 ≥ minPts

得到了什么结果？

少量噪声点被隔离，主簇更稳定。