这取决于您使用的聚类技术。既然你用我标记了这篇文章，k-means我会假设这就是你正在使用的。集群中心应该已经为外行提供了一些信息，但是由于您应该/正在扩展，这可能会失去一些解释。

您可以做的是根据每个样本最终所在的集群为每个样本分配类标签。然后您可以将多类决策树拟合到您的数据并使用决策规则进行解释，例如集群 1 的 60% 具有。$x_1 < 0.9$

Jan van der Vegt 的完美答案。

此外，如果您没有任何选项可以将标签添加到每条记录，则必须依靠您的领域知识来解释集群结果。

如果我用外行的话来说，K-Means 仅在您知道需要获得多少个集群（可能使用 Scree 图）才能为您的业务问题获得有意义的见解时应用。因此，您的脑海中一定已经有了数字/集群。它不仅仅是你必须应用算法。

示例-如果您决定要拥有两个集群（根据您的问题），

集群 1 - 这个群体可能代表居住在城市地区的人，花更多的钱，杂货店/日用品店的密度更大，导致交通更少

集群 2 - 该组可能包括来自乡村的人，因此他们的交通成本高于其他集群。

您可以根据结果训练决策树分类器。

决策树是少数能够产生“可解释”结果的算法之一。

但是您需要了解，集群比简单的 if-then 规则要复杂得多。