无监督学习：允许我们在对结果无法预知时接近问题，在“无监督学习”中，训练样本的标记信息是未知的，目标是通过对无标记训练样本的学习来揭示数据的内在性质及规律，为进一步的数据分析提供基础。
9.1 聚类任务
常见的无监督学习任务：聚类、密度估计、异常检测等。
聚类试图将数据集中的样本划分为若干个通常是不相交的子集，每个子集称为一个“簇”。
聚类算法：聚类算法吧族群或数据点分割为一系列的组，使得相同簇的数据点比其他簇的点更接近。分隔具有相似性状的组，分配到簇中。
聚类既能作为一个单独过程，用于寻找数据的内在分布结构，也可作为分类等其他学习任务的前驱过程。
9.2 性能度量
聚类性能度量亦称“有效性指标”，与监督学习中的性能度量作用相似。
什么样的聚类结果比较好呢：“物以类聚”，我们希望聚类结果的“簇内相似度”高且“簇间相似度”低。
聚类性能度量大致有两类：一类是将