概念：模型不合适，导致其无法对数据实现有效预测。

一种对实例进行分类的树形结构，通过多层判断区分目标所属类别。
本质：通过多层判断，从训练数据集中归纳出一组分类规则。

均值漂移算法：一种基于密度梯度上升的聚类算法（沿着密度上升方向寻找聚类中心点）

最简单的机器学习算法之一 给定一个训练数据集，对新的输入实例，在训练数据集中找到与该实例最邻近的K个实例（也就是上面所说的K个邻居），这K个实例的多数属于某个类，就把该输入实例分类到这个类中。

K-均值算法：以空间中k个点为中心进行聚类，对最靠近他们的对象归类，是聚类算法中最为基础但也最为重要的算法。

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）

1.分类

根据已知样本的某些特征，判断一个新的样本属于哪种已知的样本类。