背景
根据事物的特征差异，对事物进行分类是一个基本问题。这个问题在数据科学中进行抽象：（1）“特征”指的是事物对应的特征向量，（2）“差异”对应的为特征向量之间的距离（度量）。
对于这个基本问题，根据已知数据是否具有标签，数据科学中使用两种不同的学习方法来处理：
- 分类问题。样本抽样数据具有标签信息。监督学习。
- 聚类问题。样本抽样数据不具有标签信息。无监督学习。
形式上，抽样训练数据集$D={x_1,x_2,…,x_N}$ ，包含了$N$ 个样本点，每个样本点具有$m$维的特征向量$x_i=(x_{i,1},x_{i,2},…,x_{i,m})$ 。聚类算法目标将训练集$D$ 划分为若干个子集${C_i}_{i=1}^K$ 。
那么很自然有下面两个问题：
- （1）怎样分类能区别样本点的差异？使得相似样本点属于同一个分类子集。
- （2）怎样的分类方法是最优的？即量化评价分类方法。
对于第一个问题，首先我们要量化“相似”这个概念。这样我们需要对数据集（点集）嵌入到带有度量的空间中，用特征向量的空间度量来刻画相似，比如常用的度量有欧几里得距离。
那么又引出另外一个问题：空间度量有很多，什么度量是最优的？
对于数据集的划分
聚类算法
SKLearn数据包
数据工程实现中，常用python包有：sklearn，对于聚类算法有很好的封装。接下来介绍的聚类算法，工程实现上主要使用sklearn。
算法集
原型聚类
K-means算法
K-mearn算法应该是聚类算法中名气最大的，几乎是聚类算法的同义词。
二分K均值算法
学习向量量化LVQ
高斯混合聚类
密度聚类
层次聚类
###
参考文献
1、数据科学家需要了解的5种聚类算法。https://towardsdatascience.com/the-5-clustering-algorithms-data-scientists-need-to-know-a36d136ef68
2、sklearn 聚类算法。http://sklearn.apachecn.org/cn/0.19.0/modules/clustering.html