1. 聚类分析仅根据在数据中发现的描述对象及其关系的信息，将数据对象分组。
其目标是组内的对象相互之间是相似的或者相关的，而不同组中的对象是不同的或者不相关的。
2.聚类分析的重要技术
K均值：K均值是基于原型的、划分的聚类技术。它试图发现用户指定个数k的簇(由质心代表)
| 邻近度函数 | 质心 | 目标函数 |
| 曼哈顿距离L1 | 中位数 | 最小化对象到其簇质心的L1距离和 |
| 平方欧几里得距离L2平方 | 均值 | 最小化对象到其簇质心的L2距离的平方和 |
| 余弦 | 均值 | 最大化对象与其簇质心的余弦相似度和 |
| Bregman散度 | 均值 | 最小化对象到其簇质心的Bregman散度和 |
SSE(Sum of Squared Error)误差的平方和
凝聚的层次聚类：
层次聚类常常使用树状图dendrogram，对于二维点的聚合，层次聚类也可以使用嵌套簇图。
单琏：MIN 全琏：MAX 组平均：GROUP AVERAGE
Ward方法：两个簇的邻近度定义为两个簇合并时导致的平方误差的增量。
簇邻近度的LANCE-WILLIAMS公式
DBSCAN:是一种简单、有效的基于密度的聚类算法。
核心点
边界点
噪声点
3.簇评估
非监督簇评估
簇的凝聚性（紧凑性，紧致性）度量确定簇中对象如何密切相关
簇的分离线度量确定某个簇中不同于其他簇的地方。
非监督簇评估：使用临近度矩阵