摘要本文針對2026年全國大學生數學建模競賽E題（分類聚類問題），系統探討了K-means與層次聚類兩種主流算法的理論框架、數學原理及實戰應用。文章首先闡述了聚類的數學基礎，包括相似性度量、聚類有效性評價等核心概念；然后深入剖析了K-means算法的數學推導、初始化策略及優缺點；接著詳細討論了層次聚類的聚合準則、算法流程及可視化方法；最后通過完整的實戰案例，展示了從數據預處理、模型選擇、參數調優到結果解釋的全流程解決方案。本文旨在為參賽選手提供一套系統、嚴謹且實用的聚類分析框架，助力其在競賽中取得優異成績。關鍵詞：數學建模；聚類分析；K-means算法；層次聚類；數據挖掘；國賽E題目錄摘要第一章 引言1.1 研究背景與意義1.2 聚類分析的應用場景1.3 本文組織結構第二章 聚類分析的數學基礎2.1 數據的數學表示2.2 相似性度量2.2.1 歐幾里得距離（Euclidean Distance）2.2.2 曼哈頓距離（Manhattan Distance）2.2.3 余弦相似度（Cosine Similarity）2.2.4 馬氏距離（Mahalanobis Distance）2.3 聚類有效性評價2.3.1 內部評價指標2.3.2 外部評價指標2.4 聚類的數學本質第三章 K-means聚類算法3.1 算法原理與數學推導3.1.1 算法流程3.1.2 收斂性分析3.2 初始化策略3.2.1 隨機初始化3.2.2 K-means++3.2.3 多次運行取最優3.3 K值的選擇3.3.1 肘部法則（Elbow Method）3.3.2 輪廓系數法3.3.3 Gap統計量3.4 算法優缺點分析第四章 層次聚類算法4.1 算法原理4.1.1 凝聚層次聚類（自底向上）4.1.2 分裂層次聚類（自頂向下）4.2 簇間距離度量（連接準則）4.2.1 單鏈接（Single Linkage）4.2.2 全鏈接（Complete Linkage）4.2.3 平均鏈接（Average Linkage）4.2.4 Ward鏈接（Ward's Method）4.3 樹狀圖（Dendrogram）與聚類決策4.4 算法優缺點分析第五章 實戰案例：E題數據集的聚類分析5.1 問題描述與數據探索5.1.1 數據預處理5.1.2 探索性數據分析5.2 K-means實戰5.2.1 確定最優K值5.2.2 模型訓練與結果5.2.3 結果解釋與可視化5.3 層次聚類實戰5.3.1 連接準則選擇5.3.2 樹狀圖分析與簇數確定5.3.3 結果解釋5.4 算法對比與集成5.4.1 結果一致性分析5.4.2 集成聚類策略5.5 結果解讀與報告撰寫第六章 算法比較與選擇策略6.1 理論比較6.2 實戰選擇建議6.3 常見陷阱與注意事項第七章 總結與展望7.1 本文總結7.2 未來展望參考文獻第一章 引言