聚类概念
在无监督学习中，训练样本的标记信息是未知的，目标是通过对无标记训练样本的学习来揭示数据的内在性质和规律。此类学习任务中研究最多的是聚类。
聚类视图将数据中的样本分为若干个不相交的子集，每个子集称为一个簇。每个簇有各自的性质。
聚类既能作为一个单独过程，用于寻找数据内在的分布结构，也可以作为分类等其他学习任务的前驱过程。先聚类得到有多少个类型，再将这些类型用以分类。
性能度量
聚类性能度量大致有两类，一类是将聚类结果与某个“参考模型”比较，有一个外部指标；另一类直接考察聚类结果，不参考外部指标。
是否与外部指标的分类相似，有一些指标FM指数、Rand指数。
或者使用簇直接的距离来度量。闵可夫斯基距离。距离越大，相似度越小。
k均值算法
西瓜书聚类9.4.1
E越小，簇内样本相似度越高。E等于x与簇内均值差平方。
k均值算法采用贪心策略，迭代优化近似求解最小E。
流程
1.从样本集D中随机选取K个样本作为初始均值向量{u1,u2,...,uk}
2.repeat
3.令Ci = 空 Ci表示簇
4. for j = 1 : m do m个样本
5. 计算样本xj与各个均值向量的距离
6. 根据距离最近的均值向量，确定xj的簇标记
7. 将样本加入相应的簇
8. end
9. for i = 1 : k do k个簇
10. 计算新均值向量，等于所有簇内向量平均u'
11. ifu' ！= 原来的u，就替换为u'
12. 一直循环，直到均值向量没有更新