你在做基于打卡点位的驻留地识别（家/公司）：8000 万条带噪 GPS 点，包含漂移点、隧道缺失、高铁跨城；同一批用户在城区点密集、在郊区点稀疏，密度差可能在 100 倍以上；郊区用户虽然点少但真实驻留时间更长。你现在打算用 DBSCAN，请回答：(1) eps 和 minPts 怎么选，城区与郊区密度差这么大怎么处理；(2) 没有标签，你用什么指标判断聚类质量；(3) 如果每天要为 500 万活跃用户增量重算，工程上怎么落地。

面试官在考什么

判断候选人是否理解 DBSCAN 的核心假设（全局密度阈值）会在什么真实场景下失效，以及能否把无监督方法接到可验证的业务判据上。

DBSCAN

回答框架 · 前两步

1. 全局 eps 必然失败，三条可行路线：按空间分区（城市/网格）局部定 eps；改用 OPTICS/HDBSCAN 这类基于互达距离的密度层级方法；或者做特征变换，把「点密度」改成「时间加权密度」，让稀疏但长时间驻留的点也能形成高密度。
2. 参数选择不能只靠 k-距离图的肘部：minPts 与噪声率、维度相关，GPS 是 2~3 维可以取 4~10 量级；更重要的是把下游判据拉进来（误把漂移点当驻留点的代价、漏掉真实驻留地的代价）。同时必须处理「停留会重复上报」造成的伪密度——去重或做时间衰减。

延伸阅读

• 技术面到底在考什么：三类考点的及格线与加分线
• 避坑与冲刺：简历自洽、六种扣分话术、D-7 准备表

想看这个方向的整体准备路线？ 进入「机器学习基础」方向页

同一能力域的其他题

• 你有 500 万条 128 维用户 embedding，要聚成约 2000 个簇，单机 64GB 内存。你会选 MiniBatchKMeans 还是标准 KMeans？n_init、batch_size、tol 分别怎么定，空簇怎么处理，最后怎么判断这次聚类是可信的？
• 推荐系统要对 3000 万条用户 embedding（d=64, float32）做粗聚类分桶，k 在 1000~5000 之间，要求单机 128GB 内存、2 小时内跑完。你会选哪个聚类实现？k 怎么定？聚类质量怎么评估？
• 你负责一个用户 embedding 平台：2 亿用户 × 128 维 float32（单份约 100GB）。业务方要按 5000 个簇做分层运营，要求每晚在固定的 20 台机器（每台 8 核 / 32GB 内存 / 无 GPU）上 4 小时内完成一次重聚类；并且相邻两天的簇 ID 必须能对上，否则昨天的投放归因报表就断了。请回答：(1) 你会选哪种 KMeans 变体、用什么初始化，给一个量级估算说明 4 小时够不够、瓶颈在哪；(2) k=5000 这个数字你打算怎么论证；(3) 跨天的簇 ID 对齐你具体怎么做，代价多大、失败时怎么办。
• 有一维数据集 {1,2,3,10,11,12,50}，用 KMeans 聚类，k=3，初始质心为 1、10、50。请写出第一轮簇分配和更新后的三个质心，并说明第二轮 50 还会不会单独成簇。距离使用欧氏距离。
• 8000 个商品 SKU，特征是从标题文本抽的归一化 embedding，你要输出一棵 3~5 层的类目树。如果直接用凝聚层次聚类：linkage 选哪种、为什么；8000 个点的内存和时间开销大概什么样；dendrogram 出来后你切在哪一层、依据什么？
• 商品库有 20 万 SKU、100 维特征，业务要求输出一棵可解释的分类树（不是扁平簇）。直接对 20 万样本跑凝聚层次聚类会怎样？你会怎么在规模与树结构之间取舍？