无监督学习
衡量：处理不规则形状，噪音点

相似的物品成一类，不相似的物品不成一类

K-Means

步骤：
随机选K个聚集点
每个数据被赋值最近聚集点类别
使用每个聚集中心点更新
重复直到聚点不再移动
返回K个中心点坐标

优点：简单，对于规则性图形聚类很好，收敛性号 O(t k n)
缺点:定K值，可能收敛到局部最优，噪音点影响大

Sequential Leader Clustering

特点：不需要K 不需要迭代
一个点一个点扫描，计算新的数据和每个类重心，如果最小距离小于选择边界，则重新为一个类

期望最大法

用模型预计
高斯混合模型

EM算法（贝叶斯公式）
隐含参数

密度与层次

密度聚类：
Density Base Methods
DBSCAN
核心点，边缘点，噪音点
根据连通性
簇，从核心点膨胀，一个点一个点加入，删除噪音点

层次聚类：（距离选择，最大距离，最小距离等）
从底到上聚类，迭代，合并，知道所有样本聚层一个类
例题：城市距离聚类