K-means 量「誰離誰近」、DBSCAN 量「誰在誰的鄰域裡」——兩個都是靠距離吃飯的演算法。而距離這種東西，只要有一欄的數字特別大，它就只聽那一欄的話。本頁用 Wine 資料實跑給你看：未縮放時分群「其實只用一欄」，而且連同類的兩瓶酒都會被量成天涯海角。
同一批數值特徵的量尺差異很大，研究者將縮放與 K-means 放在同一 Pipeline；若末端改為以距離判定鄰域的 DBSCAN，也有相同的尺度考量。此處在分群前使用 StandardScaler 的主要理由為何？
from sklearn.cluster import KMeans # 拿出 K-means 分群工具 from sklearn.pipeline import make_pipeline # 拿出「串管線」的快速寫法 from sklearn.preprocessing import StandardScaler # 拿出標準化工具 cluster_pipe = make_pipeline( # 組管線：先縮放、再分群 StandardScaler(), # 第一站：把每欄調成同一量尺 KMeans(n_clusters=3, random_state=42, n_init=10) # 第二站：分 3 群（起點試 10 次） ) # 管線組裝完成 labels = cluster_pipe.fit_predict(X) # 一口氣：學縮放 → 轉換 → 分群，回傳群號
想像你要判斷「哪些人條件相近」，手上兩欄資料：身高（公尺，1.5～1.9）和年薪（元，300,000～1,600,000）。把兩欄直接代進距離公式，身高差 0.3 跟年薪差 300,000 加在一起——身高連小數點都排不上，「像不像」完全由薪水說了算。這不是薪水比較重要，只是它的數字比較大。
本題的 Wine 資料一模一樣：13 個化學檢測值裡，proline（脯胺酸）的量尺是 278～1680，其他欄多半在 0.1～5 之間。量尺差了兩三個數量級，距離公式裡誰說話，根本不用比。
點擊後出現漸進式說明：白話說明 → 說清楚一點 → 常見錯誤與考點。
點擊後出現漸進式說明。
八行，一行一行走完。右上角的「看位置」可以把這一行放回完整程式裡看。
from sklearn.cluster import KMeans # 從「分群」抽屜拿出 K-means
sklearn.cluster 是分群演算法的抽屜：KMeans、DBSCAN、AgglomerativeClustering（階層分群）都住這裡。K-means 的玩法：先猜 k 個「群中心」，把每筆資料分給距離最近的中心，再把中心移到自己群員的平均位置，反覆到穩定。
注意「距離最近」四個字——它的每一步都在算距離。這就是整題的伏筆：距離一被某欄綁架，K-means 就跟著被綁架。
from sklearn.pipeline import make_pipeline # 把好幾站串成一條生產線的工具
make_pipeline 是 Pipeline 的快速版：把幾個步驟依序丟進去，它自動串成一條「生產線」並自動取好每一站的名字（用類別名的小寫：本題兩站叫 standardscaler、kmeans——實跑確認）。
跟正式版 Pipeline([("scaler", ...), ("km", ...)]) 的差別只在「要不要自己命名」。功能一模一樣：對管線做的每個動作，會依序流過每一站。
from sklearn.preprocessing import StandardScaler # 每欄減均值、除標準差的縮放器
sklearn.preprocessing 是前處理抽屜。StandardScaler 對每一欄各自做兩件事：減掉這欄的平均、除以這欄的標準差——輸出就是 z 分數：「這個值比平均高／低幾個標準差」。
cluster_pipe = make_pipeline( # 組生產線，取名 cluster_pipe（括號先不關）
呼叫 make_pipeline(...)，把成品貼上 cluster_pipe 的名牌。括號沒關——第 4 到 7 行是同一句話。放進去的順序就是生產線的順序：資料會先流過第 5 行那站，再流到第 6 行那站。
StandardScaler(), # 第一站：先把 13 欄調成同一量尺
生產線的第一站。它排在 KMeans 前面，所以 KMeans 看到的永遠是「已經站上同一量尺」的資料——距離公式裡 13 個特徵平權發言。
為什麼要放進管線、而不是自己先轉換好再丟給 KMeans？因為管線會把「怎麼轉換」記住（每欄的平均與標準差都存在這一站裡）——之後拿新資料來 predict，會自動用同一套轉換，不會忘記、也不會拿新資料重算。這正是上一系列 Pipeline 頁講的紀律，分群版。
KMeans(n_clusters=3, random_state=42, n_init=10) # 第二站：分 3 群、起點試 10 次 ) # 括號關上，管線組裝完成
三個設定：n_clusters=3 要分成 3 群（k 就是這個 3）；random_state=42 固定亂數；n_init=10 是「隨機起點試 10 次、留下最好的一次」——K-means 的結果會受初始中心影響，多試幾個起點、取群內距離平方和（inertia）最小的那次，是標準保險。
為什麼 n_init 要明寫？因為 sklearn 新版把預設值改成 "auto"，明寫 10 可以讓行為固定、老程式不噴警告——考題照抄實務寫法。
labels = cluster_pipe.fit_predict(X) # 學縮放 → 轉換 → 分群，回傳每筆的群號
fit_predict 是「訓練＋回答」二合一：管線先讓 Scaler 學會每欄的平均與標準差並轉換資料，再讓 KMeans 在轉換後的資料上分群，最後回傳每一筆資料的群號（0、1、2 的一排數字）。
注意分群沒有 y——fit_predict(X) 裡只有 X。沒有人給答案，演算法只憑「誰跟誰近」自己把資料分堆，這就是非監督學習。
題目說「數值特徵的量尺差異很大」。Wine 有多大？把 13 欄的標準差攤開：proline 的標準差 314，第二名 magnesium 只有 14，其他 11 欄全部不到 3.5。換算成「各欄佔總變異的比例」更嚇人：
K-means 與 DBSCAN 用的都是歐氏距離：
\[ d(a,b) \;=\; \sqrt{\sum_{j=1}^{13} (a_j - b_j)^2 } \]
公式對 13 個特徵一視同仁——但誰的差值平方大，誰就主導總和。把實際的兩瓶酒拆開看：
把兩個版本都跑出來，跟真實品種（釀酒葡萄的三個品種）對答案，用 ARI 打分：
題目特別補一句「末端改為以距離判定鄰域的 DBSCAN，也有相同的尺度考量」。DBSCAN 的核心參數 eps 是「鄰域半徑」——半徑是一個帶單位的長度：在原始尺度上，這個單位實質上就是 proline 的單位，其他特徵的差異在半徑裡根本量不出來。實跑掃一輪：
把 Scaler 跟分群器串進同一條管線，買到三件事：① 順序不會忘——每次都是「先縮放、再分群」；② 轉換參數被記住——每欄的平均與標準差存在 scaler 站裡，之後新資料 predict 自動用同一套轉換；③ 若要搭配交叉驗證或網格搜尋（例如掃 n_clusters），縮放會只在訓練折上學——跟本系列第一頁（Pipeline 防洩漏）同一條紀律。
make_pipeline 自動把兩站命名為 standardscaler、kmeans（類別名小寫）；KMeans 的 n_init=10 在這份資料上 10 次起點都收斂到同一組中心（inertia 1277.9）——它是保險絲，資料難的時候才看得出差別。分群是非監督學習——從頭到尾沒有「正確標籤」這種東西，fit_predict 回傳的 0／1／2 只是任意群號（實跑：品種 0 的酒拿到的群號是 2）。縮放器更不可能生出標籤，它只是改量尺。
實跑全套佐證：proline 獨佔 99.77% 變異、兩瓶酒的距離 99% 由它決定、同品種的距離比跨品種還遠、未縮放 K-means 與「只用 proline 一欄」完全等價（ARI 1.000）、標準化後 ARI 0.371 → 0.897；DBSCAN 的 eps 在原始尺度下失去意義。距離導向演算法 ＋ 量尺懸殊 ＝ 必須先縮放。
兩個演算法的原理根本不同（切球形 vs 依密度長形狀），縮放只是讓它們「都拿到公平的距離」，不會讓它們答案一致——實跑同一份標準化資料：K-means ARI 0.897、DBSCAN 最好 0.384。看到「保證」「任何資料」這種絕對句，先懷疑。
三重錯誤：StandardScaler 輸出是連續的 z 分數（實跑 proline 欄變 −1.49～+2.97，不是 0/1）；「壓到 [0,1] 區間」是 MinMaxScaler、「只剩 0 與 1」是 Binarizer／OneHot——別家的事；而且標準化不消除離群值（實跑：把一瓶 proline 乘 10，標準化後 z ＝ 12.9，還是巨大離群）。
再看一次同一段程式。這次你知道 StandardScaler 那一站在守什麼了。
同一批數值特徵的量尺差異很大，研究者將縮放與 K-means 放在同一 Pipeline；若末端改為以距離判定鄰域的 DBSCAN，也有相同的尺度考量。此處在分群前使用 StandardScaler 的主要理由為何？
cluster_pipe = make_pipeline( # 組管線 StandardScaler(), # 先把 13 欄調成同一量尺 KMeans(n_clusters=3, random_state=42, n_init=10) # 再用距離分 3 群 ) # 組裝完成 labels = cluster_pipe.fit_predict(X) # 回傳群號（不是標籤）
八題，全部都是本題的延伸。答錯會直接告訴你錯在哪。
make_pipeline 自動幫兩站取名 standardscaler、kmeans。fit_predict(X) 裡只有 X 沒有 y——分群是非監督學習。StandardScaler 對每欄各自「減平均、除標準差」，輸出 z 分數：每欄平均 0、標準差 1，相對大小原封不動。「縮放與距離導向演算法」是中級科目二資料準備 × 科目三演算法的交叉考點，出題率極高。最常見的五種問法：① 給一條 Scaler＋分群（或 KNN／SVM）的 Pipeline 問縮放理由（本題這種，答案永遠往「距離公平」靠）；② 問哪些演算法需要縮放（靠距離／梯度的：K-means、DBSCAN、KNN、SVM、PCA、神經網路、線性模型含正則化）、哪些不太需要（樹家族——按單欄門檻切分，量尺不影響）；③ StandardScaler／MinMaxScaler／Binarizer 三兄弟的辨析（D 選項那種張冠李戴）；④ 問群號是否等於類別標籤（非監督沒有標籤）；⑤ 縮放該在切分前還是後做（訓練集上 fit、進 Pipeline——防洩漏）。一句口訣：量距離的演算法都怕單位，先讓每一欄站上同一個量尺。
需要縮放的是「把不同特徵加在同一條公式裡」的演算法：算距離的（K-means、DBSCAN、KNN、階層分群）、找最大變異方向的（PCA）、用梯度下降或正則化懲罰的（邏輯迴歸、SVM、神經網路、Lasso／Ridge）。樹家族（決策樹、隨機森林、GBDT）不需要——它們每次只問「某一欄是否大於某門檻」，永遠單欄比較、永遠不把兩欄相加，量尺再懸殊也不影響切點的選擇（單調轉換不改變樹的行為）。這是考題最愛的對比題：同一份量尺懸殊的資料，隨機森林照跑、K-means 就會被 proline 綁架。
四個都在 sklearn.preprocessing，功能完全不同。StandardScaler：減均值除標準差 → z 分數，範圍不固定（本站實跑 proline 欄 −1.49～+2.97）。MinMaxScaler：壓到 [0,1] 區間（最小值變 0、最大值變 1）——D 選項把它跟 Standard 混了一半。RobustScaler：用中位數與 IQR 取代均值與標準差，對離群值比較不敏感——資料髒的時候的替代品。Binarizer：依門檻把值變成 0 或 1——「只有 0 與 1」是它（或 OneHotEncoder 對類別欄）的事。考題辨析：看到「0 到 1 之間」選 MinMax、「平均 0 標準差 1」選 Standard、「只有 0 和 1」選 Binarizer。
不行，而且方向就錯了。標準化是線性轉換（每欄減一個數、除一個數），所有點的相對位置原封不動——離群值只是從「大得離譜的原始值」變成「大得離譜的 z 值」。本站實跑：把一瓶酒的 proline 乘 10，標準化後它的 z 分數是 12.9（正常資料 99.7% 落在 ±3 內），照樣一眼離群。更麻煩的是離群值會污染標準化本身：它把該欄的均值與標準差拉歪，讓其他正常點的 z 值變形——所以資料很髒時改用 RobustScaler，或先處理離群值再縮放。「消除離群值」是另一套流程（偵測＋處理），不是縮放器的工作。
群號是任意編號，直接拿去跟 y 算 accuracy 是常見錯誤（編號對不上就顯得很爛）。正確做法有兩類：① 用「對編號不敏感」的指標——ARI（調整蘭德指數，本站用的；1＝完美、0＝隨機猜、可為負）、NMI（正規化互資訊）；② 先用匈牙利演算法或眾數映射把群號對應到最可能的類別，再算 accuracy。另外注意：真實應用中通常根本沒有 y（有 y 幹嘛分群），這時改用內部指標評估——silhouette 係數、inertia 手肘法（站內都有專頁）。
K-means：要事先給 k、假設群大致是「圓球狀、大小相近」、每一筆都會被分到某群（沒有噪點概念）、對離群值敏感。DBSCAN：不用給 k（給 eps 與 min_samples），能抓不規則形狀（月牙、環狀）、天生會把稀疏點標成噪點（-1）——很適合異常偵測；代價是 eps 難調、對「密度不均」的資料吃力。本站實跑就是誠實案例：Wine 是橢圓雲＋密度不均，DBSCAN 縮放後最好也只有 ARI 0.384，K-means 卻有 0.897——先看資料形狀選演算法，縮放則是兩者共同的前置紀律。順帶一提站內另有 HDBSCAN 頁（自動適應密度的進化版）。
三個理由。① 轉換參數要被記住：scaler 站存著每欄的均值與標準差，之後新資料 predict 會自動套同一組參數——自己在外面轉換，很容易新舊資料用了不同的均值。② 防洩漏：若搭配交叉驗證（例如掃 n_clusters 或給下游監督模型用），Pipeline 保證每折都只用訓練折學縮放參數——先對全部資料 fit_transform 再切分，就是系列第一頁講的經典洩漏。③ 部署簡潔：一個物件帶著完整流程，存檔、載入、上線都是一條龍。這題把 Scaler 和 KMeans 綁在一起，就是這條紀律的分群版。
K-means 對「初始質心的位置」敏感：起點不好可能收斂到局部最佳（某兩群被黏在一起、某群被切成兩半）。n_init=10 的意思是「隨機起點整套跑 10 次，留下 inertia（群內距離平方和）最小的那次」——買保險。本站實跑的 Wine 標準化後結構清楚，n_init=1 跟 10 收斂到同一組中心（inertia 都是 1277.9），但難資料上差異可以很大。另外 sklearn 1.4 起預設值改為 "auto"（k-means++ 初始化時 1 次），明寫 n_init=10 讓行為跨版本一致——這也是考題照抄實務寫法的原因。初始化本身預設用 k-means++（把起點彼此撒開），已經比純隨機穩很多。