上一节讲的无监督学习，但是很多人可能会很疑惑，没有目标，那算法是怎么学会该怎样分类的呢？今天就简介一下其中的聚类算法。

聚类

首先说明是什么聚类。聚类就是按照某种标准把一个数据集可以分割成不同的类或者簇，使得同一个簇内的数据对象的相似性尽可能的大，而不在同一个簇中的数据对象的差异性也尽可能的大。

聚类的过程

聚类的过程一般包括：

1. 数据准备。特征标准化
2. 特征选择。选择最有效的特征
3. 特征提取。对选择的特征进行转换
4. 聚类。一般是通过某种距离函数或者相似度系数等进行相似度度量，获取簇，下面会详细 介绍有哪些相似度度量方法
5. 聚类结果评估。分析聚类结果，比如距离误差等

相似度度量方法

常用的相似度度量方法包括：

1. 闵可夫斯基距离，也叫做欧式距离
2. 杰卡德相似系数
3. 余弦相似度
4. 皮尔逊积矩相关系数
5. 相对熵
6. helinger距离

每一个都有相应的计算公式，可以自行搜索，此处不赘述。

聚类的方法

聚类从大分类上分为下面：

划分式

其中的代表是kmeans算法，算法的核心：
对于给定的K类目，先进行初始划分，然后改变样本和簇的隶属，使得每次改进之后的划分都比前面好，也就是所谓的簇内更相似
至于初始点，可以随机生成，也可以使用固定算法。

初始的时候数据是不分簇的，需要我们随机生成K个点，这里是用2个举例（图中蓝色和红色的点）：

然后以这两个点计算样本中数据与这两个点的距离

距离这2个点中每个点更近的点，被归为一个簇，迭代结束就形成了两个簇。
然后取每个簇的中心点（均值点）再次作为K类的点，以样本中的数据再次计算与这K个点的距离，再进行分簇，然后再与上面的进行相同的迭代。
迭代到最后，簇中的样本基本不会再变化。

Kmeans算法优点就是：简单，能够快速处理大数据集，特别是当簇近似高斯分布时，效果更好。
Kmeans算法缺点：初值敏感，而且需要提前定义K，且要能够计算均值

层次聚类

层次聚类是对给定的数据集进行层次的分解，直到满足一定的条件。层次聚类又分为两种，一种是自底向上，一种是自顶向下。
自底向下是将每个单独的样本作为一个簇，然后合并这些簇，直到满足条件。另外一种则是相反的方向，逐步的细分。
举个例子：学校里的学生，比如学生A和B在喜爱篮球的特征更相似，合并为一个簇，然后A B和C在喜欢运动的特征上相似，可以合并成更大的簇，然后依次向上合并成更大的簇。
整个过程是类似下面显示：

基于密度的聚类

该算法的核心是定义一个密度函数，当两个样本在定义的密度函数值内，那我们就认为这两个样本是密度可达的，密度可达的样本可以分成一个簇。