30 家合作企业，横轴是学生从学校过去的单程通勤时长，纵轴是实习月薪。 机器没有标准答案可参考，它靠反复做两件事把企业分成几类：先把每家企业分给最近的中心，再把中心挪到本组的正中间。 点「下一步」一步一步看。
教学提示：多按几次「换一组初始中心」。同样的数据、同样的 k，分出来的组可能不一样 —— 这就是 K-Means 会陷入局部最优的原因，也是实际用它时要跑很多次取最好结果的原因。
这个数（也叫 SSE）是把每家企业到本组中心的距离先平方、再全部加起来。 算距离之前，页面已经把通勤按 0 到 80 分钟、月薪按 2500 到 9500 元，各自换算成 0 到 1 之间的比例。 不换算的话，月薪动辄差几百上千，通勤那几十分钟的差别会被完全淹没。所以这里显示的是零点几，不是「多少分钟」也不是「多少元」。
—
这条线是每个 k 各跑 12 次、取最好的一次画的。按最优分法算，k 越大距离平方和不会变大，所以不能只看谁最小，要看每多分一类还能省下多少。 注意：单独跑一次（上面「换一组初始中心」那种）可能停在局部最优，k 变大时 SSE 反而变大也会发生。 本页的实际情况是：1 到 2 省得最多，图上最陡的弯就在 k=2；但 2 到 3、3 到 4 都还在明显下降， 到 5 以后才真正变平。肘部法则不总能给出唯一答案，这份数据分 3 类和 4 类都说得通， 最后要看哪一种分法在业务上讲得通、每一组都能说清是什么样的企业。
| 组 | 企业数 | 平均月薪 | 平均通勤 |
|---|
数据为教学用合成数据，不含任何真实企业或学生信息。
本页可自由嵌入、修改与再分发（CC BY-NC 4.0）。
来源：AI 教学改革实践研究计划（AFCEC × 实战云）资源包主页