聚类（Cluster） 是无监督学习的一种，与分类相区别的地方在于：

1. 分类的目的在于将数据进行明确的归属划分，聚类 的目的只是使同一类对象的相似度尽可能大；

2. 聚类 作为非监督学习，不需要训练和学习过程；

       目前聚类的方法很多，根据基本思想的不同，大致可以将聚类算法分为五大类：层次聚类算法、分割聚类算法、基于约束的聚类算法、机器学习中的聚类算法和用于高维度的聚类算法。

K-Means算法

        K-Means可以说是聚类算法中最简单、也是应用最多的方法，关键点有两个：

        1）中心用各类别中所有数据的均值表示；

        2）通过迭代算法进行数据更新；

        K-Means算法 结果好坏依赖于对初始聚类中心的选择、容易陷入局部最优解、对K值的选择没有准则可依循、对异常数据较为敏感。

        基于此，在K-Means的基础上诞生了许多变体算法，比如Bradley和Fayyad等，主要改进点在于 降低对中心的依赖，调整迭代过程中重新计算中心方法 等。

层次聚类

       层次聚类的基本步骤： 

 1、初始化过程，将每个样本作为一类；

      计算类间距离D，即样本与样本之间的相似度

      给定阈值T，当相似度小于T时，可以合并

 2、寻找各个类之间最近的两个类，如果距离小于T，执行合并；

 3、计算新合并的这个类 与 原有类之间的相似度；

 4、重复2和3直到 没有可以合并的类，结束。