开题报告的初步设计中，实证分析并不是只依赖单一模型，而是由“机制识别”+“异质性分析”两类工作共同组成。
主要用于判断哪些规则机制更可能影响综合投入
观察不同类型的团体、玩家或赛局状态下，机制作用是否存在差异。
对应到具体方法上，主要包括三个部分：
XGBoost：用于辅助筛选重要机制变量，判断哪些机制与综合投入之间的关系更突出。
SHAP：用于解释重点机制变量的作用方向、非线性关系和边界特征。
聚类分析：用于识别不同群体类型，为后续比较重点机制在不同群体中的表现差异提供分组基础。
结合阶段四和阶段五的实证流程，聚类分析主要衔接两个环节：
阶段四重点：聚类分析主要用于判断当前数据是否能够形成可解释的群体分组
检查数据是否支持聚类、分群结果是否具有业务解释性，以及后续是否可能服务于异质性分析。
聚类分析主要辅助判断：
阶段五重点：比较重点机制在不同群体类型下是否存在表现差异。
等重点机制基本确定以后，再观察这些重点机制在不同群体中的作用是否不同，从而服务于机制解释、异质性分析和分层治理建议。
聚类分析是服务于“重点机制解释”和“分层治理建议”的辅助模块
在等待数据返回期间，试跑聚类分析。主要是为了提前发现数据口径、样本粒度和变量边界上的问题，为后续正式进入阶段五做准备。
主要识别：当前样本在 K / L 投入结构上的差异，观察不同样本是否呈现出高 K 高 L 综合投入、行为驱动、低行为弱投入或低参与均衡弱投入等类型特征。
说明：本轮使用的是当前阶段四已有的活动层试跑口径，主要用于验证投入结构聚类是否能够跑通。它还不是后续正式论文中更理想的“团体-赛局-期”聚类口径。
K_main_full_z：货币投入 K 的标准化结果，用于反映样本的竞赛相关货币投入水平。
L_main_full_z：行为投入 L 的标准化结果，用于反映样本的竞赛相关行为投入水平。
K_minus_L_full：K 与 L 的结构差异，用于观察样本更偏货币投入还是更偏行为投入。
另外，保留以下变量用于聚类结果后的描述性对比，但不作为聚类输入：
Y_main_full_z：综合投入 Y 的标准化结果，用于观察不同聚类类型的总体投入水平。
K_L_Balance_full：K-L 投入平衡度，用于辅助判断不同类型样本的投入结构是否均衡。
本轮聚类主要基于 K、L 及 K-L 结构差异进行分群，Y 和 K-L 平衡度只用于解释聚类结果，不参与聚类计算。
本轮版本 A 属于投入结构描述性聚类，主要用于观察当前样本在货币投入 K 与行为投入 L 上是否存在不同结构类型。为避免依赖单一算法，本轮同时使用 KMeans 和 Gaussian Mixture Model（GMM）进行对照试跑，并分别测试 k=3、k=4、k=5、k=6 四种聚类数量。
图表说明：本图用于比较不同聚类方法和 k 值下的模型表现。综合指标结果和业务解释性，本轮暂时选择 KMeans + k=4 作为版本 A 的可解释输出方案。
从本轮试跑结果看，KMeans 在当前数据和测试范围内整体表现相对更稳，且结果更便于解释。k=3 和 k=4 均具备一定解释性，但 k=3 的分类相对较粗，更多体现高低投入差异，难以进一步区分 K/L 结构上的不同类型。
本轮暂时选择 KMeans + k=4 作为版本 A 的主输出方案，主要基于以下考虑：
图表说明：本图展示了四类样本在 K/L 投入结构上的分布情况。结果表明，不同聚类类型在货币投入和行为投入上存在一定结构差异，本轮聚类用于描述投入结构分群，但不作为正式异质性分析标签。
主要识别：样本在投入结果形成之前，是否已经存在不同的前置画像类型。
关注“样本本身具有什么基础特征和早期行为特征”，例如基础强度、付费基础、活动规模、早期战斗参与和早期攻防行为等。
说明：本轮原始样本为 1301 条。第二轮根据 activity_player_n < 15 及玩家层聚合缺失规则剔除异常样本，共剔除 4 条，最终保留 1297 条样本。
activity_player_n：活动参与人数，用于反映样本规模。
server_id_check_n：服务器数量检查字段，用于辅助判断服务器覆盖情况。
area_id_check_n：区服数量检查字段，用于辅助判断区服覆盖情况。
faction_n：阵营数量，用于反映阵营结构。
alliance_n：联盟数量，用于反映组织结构。
camp_size_ctrl_z：阵营规模控制变量，用于反映阵营规模差异。
player_count_cv_recalc_z：玩家数量变异系数，用于反映结构均衡程度。
Interaction_Battle_Engagement_Lag_z：滞后战斗参与强度，用于反映前期/滞后窗口的战斗参与情况。
Interaction_City_Turnover_Early_z：早期城池归属变化，用于反映早期攻防互动情况。
level_mean：平均等级，用于反映基础强度。
vip_level_mean：平均 VIP 等级，用于反映付费基础。
说明：本轮输入变量中仍包含部分灰名单代理变量，仅用于探索性试跑。后续进入正式版版本 B，还需要重新进行白名单、灰名单和黑名单审计。
本轮版本 B 同样采用 KMeans 与 GMM 进行对照试跑，并测试 k=3、k=4、k=5、k=6。综合模型指标、样本分布和业务解释性后，暂时选择 KMeans + k=4 作为本轮探索性输出方案。
版本 B 的试跑流程已经走通，剔除异常小样本后，当前阶段四底表可以支持一版前置画像近似聚类试跑，并初步识别出不同基础强度、付费基础、活动规模和早期行为特征的样本类型。
当前结果属于探索性试跑，不是正式论文版版本 B。正式版本后续要使用“团体-赛局-期”口径，重新完成样本单位、主键、时间窗口、前置画像字段和灰名单变量审计。这部分将在第二轮数据返回后，结合正式变量池一起推进。
通过今天对聚类分析的整体梳理和试跑，进一步发现一个需要后续重点关注的问题：聚类分析与当前七机制分析的样本层级和分析口径并不完全一致。
目前七机制分析主要还是按照现有数据条件分层推进：
而聚类分析如果后续要进入正式异质性分析，更理想的方向是围绕“团体-赛局-期”形成分组标签，再比较不同团体类型下重点机制的表现差异。
后续重点关注：聚类分析后续不能只看“能不能分群”，还需要进一步解决一个接口问题：
- 聚类标签能否与后续机制分析的样本单位、主键、时间窗口和变量口径对齐。
- 口径对齐包括：样本对象、样本粒度、主键、时间窗口、变量属性、数据来源、构造方式、是否可回填、是否有结果回灌风险、后续用途。
目前的推进方式：
机器学习机制筛选先按现有赛局层、个体层口径继续试跑，聚类分析也先按可行口径进行试跑和字段盘点，先发现数据、样本粒度和变量边界上的问题。后续在七机制补数完成、第二轮试跑结束，并初步筛选出 2–3 个重点机制后，再进行正式口径统一。
后续推进：
完成七机制变量补充、方向统一和初步筛选，同时区分机制变量、结果变量、画像变量和聚类候选变量。
锁定正式样本单位、主键和时间窗口，建立统一分析底表，并完成聚类字段白名单、灰名单、黑名单划分。聚类分析与机制分析的正式口径统一，主要在这一阶段完成。
在统一底表基础上，同时推进机制分析和聚类分析试跑，验证字段是否可用、聚类是否可解释、聚类标签是否能够回填到主分析底表。
在重点机制确定后，正式使用聚类标签开展异质性分析，比较不同群体下重点机制的表现差异，并将结果转化为机制解释和分层治理建议。
当前实证阶段的核心目标，是从七机制中筛选出后续适合重点解释的机制。筛选过程需要结合七机制试跑、变量池复核、聚类可行性分析和理论对齐共同判断。
在第二轮数据返回后、正式试跑前，需要提前设置好各环节需要统一的口径和条件。把多维度要求考虑进来，减少后续返工。