单元四 · 智能推理的应用
第19课 聚类辅助推理
一、学习目标
- 理解聚类与分类的区别。
- 认识聚类如何发现数据中的分组结构。
- 能说明聚类在辅助判断中的作用。
二、情境导入
没有预先给定类别名时，如何把相似的对象聚在一起？
聚类结果怎样帮助我们做判断？
三、核心讲解
本课学习路径：
1认识聚类
2聚类的应用
1．认识聚类
聚类按相似性自动分组，通常事先不知道类别名称；分类则使用预定义标签。
聚类：让相似样本更靠近、相异样本分开，从而揭示数据的自然结构。
聚类辅助判断过程（示意）
① 提取特征（用数组表示图/文/声）
② 按特征相似度分组（聚类）
③ 观察各组规律与模式
④ 辅助判断 / 整理归类
- 输入常是特征向量（图、文、声都可先变成特征）
- 不同距离定义与算法会影响分组
- 结果需要人解读：每一簇可能对应什么含义
想一想：分类有标签，聚类没有——这一点如何影响评价方式？
2．聚类的应用
聚类可用于发现用户群体、文献主题、异常点等，再辅助后续策略。
辅助判断：先观察自然分组，再命名、对比或制定差异化措施。
- 在文献聚类等组件中观察分组结果
- 讨论：簇数选太多或太少会怎样
- 把聚类结果转成可执行的判断建议
想一想：若两类本应分开的对象因特征不足被聚到一簇，下一步该怎么改进？
弄清以上要点后，再进入下方动手体验，用实际操作验证。
四、动手体验 · MixAI 组件
请在下列组件中完成操作，至少体验一个并记录现象。
组件 model_literature_clustering — 在框内完成操作
五、课堂总结
- 聚类按相似性自动分组，与有标签的分类不同。
- 聚类能揭示结构，再由人解读并辅助决策。
六、拓展提升
- 对一组学习兴趣问卷做「假想聚类」，说明你会依据哪些特征、如何解释两簇差异。
测评
对照本课学习目标作答（客观题练习）；选出后点「检查」。答错会显示简短说明。
聚类与分类的关键差别是：
聚类辅助推理时，常见流程是：
判断：聚类得到的每一簇，都需要结合业务去理解其含义。
本节小结
回顾本课要点，完成动手体验与测评。记住：聚类辅助推理。