066、无监督学习：K-means聚类实战手记

066、无监督学习：K-means聚类实战手记

昨天在产线数据监控系统里遇到个典型问题——产线上传的传感器温度数据突然出现异常波动，但产线状态显示正常。打开原始数据一看，八千多条温度记录，肉眼根本看不出规律。这时候就该无监督学习上场了，特别是K-means这种“数据分组”利器。

问题场景：产线温度数据异常检测

产线每5秒采集一次温度，24小时就是17280个点。运维同事已经排除了硬件故障，怀疑是某些传感器的固有特性导致数据分布异常。我们需要找出数据中“自然形成”的簇，看看是否存在异常的传感器分组。

K-means核心思想：物以类聚

K-means的哲学很简单：相似的数据点应该聚在一起。算法自己找中心点（质心），把附近的数据点拉到自己阵营。整个过程就像社交场合中人们自动形成小圈子——距离近的聊得来。

importnumpyasnpfromsklearn.clusterimportKMeansimportmatplotlib