13.1无监督学习：简介
将没有标签的样本分成不同的集合（簇），这种算法叫做聚类。常用的领域有市场分割、社交网络分析、计算机集群管理、了解星系等。
13.2K-均值算法
（1）K-均值是最普及的聚类算法，是一种迭代算法，假设需要将数据聚类成n个组，这时候首先随机选择K个点，称为聚类中心。
将每个样本归属到最近的聚类中心，然后重新计算每个类的中心变成新的聚类中心，重复以上步骤，直到聚类中心不变。
伪代码如下：
13.3优化目标
k-均值的最小化问题，就是每个样本点到对应聚类中心的距离之和：
与其他算法不同的是，k-均值每一次迭代都会是代价函数变小。
13.4随机初始化
（1）K应该小于样本数m;
（2）从样本中随机选取K个实例作为初始聚类中心。
K-均值可能会出现局部最小的情况，如下所示：
解决方案：多次运行该算法，最后在比较K-均值代价函数最小的结果，这种方法适用于K取较小的时候（2-10），K太大没有明显效果。
13.5选择聚类数
绘制聚类数与代价函数的图，然后选取出现斜率突然变小的地方的值（“肘部法则”）。
