主要了解聚类的基本概念、标准以及相关的算法，具体的算法在后期的学习笔记里继续
更新，以下纯属在学习完后的个人的表述理解，如有不准确，请指正。
一、概念
是一种无监督学习的方法，无监督的特点是所有的样本未提前进行标记。聚类是将这些未进行任何标记的样本（数据）通过聚类相关的算法分为几类。
聚类是将数据集中的样本划分为多个不相交的子集，每个子集被称为一个“簇”。同一簇的样本尽可能彼此相似，不同的样本尽可能不同。换言之，聚类结果的“簇内相似度”高且“簇间相似度”低。
二、标准
主要根据距离来进行衡量，主要有点间距离和类间距离，具体的见下文笔记
1、点间距离常用的有两种：绝对值距离和闵可夫斯基距离
2、类间距离常用三种：
（1）类平均法
（2）重心法
（3）离差平方和法（**最最常用**）
可以简单打个比方，如果现在有100个点，要分成99个簇，那就把最近的两个合并成一个簇，要
分成98个簇，那就把上面99个中最近的两个合并一个新的簇，以此类推即可。
下面的笔记简单的介绍了这几种距离的计算方法。
二、相关算法
了解相关的算法、相关算法的适用范围及优缺点是重点内容
这里主要参考五种聚类算法
1、K-Means聚类
2、均值偏移聚类算法
3、DBSCAN聚类算法
4、使用高斯混合模型（GMM）的期望最大化（EM）聚类
5、层次聚类算法
