机器学习的一种方法，没有给定事先标记过的训练示例，自动对输入的数据进行分类或分群。
优点：

• 算法不受监督信息（偏见）的约束，可能考虑到新的信息
• 不需要标签数据，极大程度扩大数据样本

主要应用
聚类分析、关联规则、维度缩减。应用最广的是聚类分析（clustering）

聚类分析

聚类分析又称为群分析，根据对象某些属性的相似度，将其自动化分为不同的类别。

使用场景

• 商业领取的客户划分，例如：分为有价值的客户，普通用户，没有价值用户等。
• 生物领域基因的聚类。
• 新闻关联

算法

K-Means聚类算法

• 根据数据与中心点距离划分类别
• 基于类别数据更新中心点
• 重复过程直到收敛

特点

• 实现简单，收敛快
• 需要指定类别数量

Mean-shift算法

均值漂移聚类（Meanshift）

• 在中心点一定区域检索数据点
• 更新中心
• 重复流程到中心点稳定

特点

• 自动发现类别数量，不需要人工选择
• 需要选择区域半径

DBSCAN算法

基于密度的空间聚类算法

• 基于区域点密度筛选有效数据
• 基于有效数据想周边扩张，知道没有新点加入

特点

• 过滤噪音数据
• 不需要人为选择类别数量
• 数据密度不同时影响结果