K-MEANS算法：
基本思想
无监督问题，相似的归为一类。但是很难评估和调参。
1 将数据分成K个簇，
2 质心：均值，向量各维度取平均。
3 距离度量：欧式距离和余弦相似度（先标准化）
4 优化目标：min(sumCu(sumDist(c，x)2)) 从1到K个簇进行和，每个簇中，样本点到质心的距离求和。
工作流程
随机选取k个中心点。根据质心与样本距离分类
根据分类结果更新质心，重新计算质心与样本点的距离。不断迭代，直到样本点不变。
优缺点
简单快速，适合常规数据集。
K值很难确定，复杂度与样本呈线性相关。很难发现任意形状的簇（特殊形状）。初始值质心对结果影响巨大。
DBSCAN聚类算法
基本思想
核心对象：某个点的密度达到算法设置的阈值，minPS规定领域内有n个样本点。
阈值：设定邻域半径值r
直接密度可达：p在q的领域内，q是核心点，则品p-q直接密度计可达。
密度可达：间接的直接密度可达。p-k-q
边界点：邻域内没有样本。
噪声点：不属于任何一个簇。
参数选择
K距离，一般越小越好。
优缺点
不需要指定簇数，擅长找到特殊形状簇
高维数据有些困难，参数难以选择。Sklearn效率低
聚类评估：
轮廓系数
S(i) = b(i)-a(i) /max({a(i),b(i)})
a(i)：样本i到簇内样本的距离平均值。
b(i)：样本到其他簇内样本之间的距离的平均值。
S(i)接近1，则聚类效果越好。
S(i)接近-1，则聚类效果越差。