续上：

目录

4、聚类

5、降维

6、时间序列

三、无完美算法

往期精彩：

4、聚类

聚类即把相似的东西归在一起，与分类不同的是，聚类要处理的是没有标签的数据集，它根据样本数据的分布特性自动进行归类。

人在认知是事物时倾向于简化，虽然世界上不存在完全相同的个体，但是却不影响对它们进行归类，大脑用抽取共性的方式使得我们快速记忆不同的事物。

聚类是典型的无监督学习算法，基本思路都是利用每个数据样本所表示的向量之间的“距离”或密集程度来进行归类。这与分类算法中的K邻近算法思路相近。典型的“计算距离”的聚类算法有K均值（K-Means）算法，具体步骤如下：

<code>1、任意取k个数据点作为初始中心；

2、依次计算其他点到这些中心的距离；

3、将每个点归类到与它距离最近的中心，每个类别下点下的集合是一个类簇；

4、重新计算各类簇的中心位置（即类簇中所有点的中心——质心；

5、重复上述2、3、4步骤，直到所有数据点都被归类，且类簇的中心位置没有明显变化；

此时可认为聚类任务完成，其基本思路就是不断拉拢身边距离相近的样本数据，将它们归为同类。