| 聚类任务 |
在无监督学习中，训练样本通常没有标记，通常是通过聚类来寻找数据内部的规则 聚类是将一个数据集划分为多个不相交的子集的过程，每一个子集称一簇（类） 寻找内部规律可以作为一个单独的过程 可作为前驱过程，为后续训练模型奠定基础 |
| 性能度量 (有效性指标) |
目标:同簇相似，异簇不同 用簇内相似度和簇间相似度来描述 性能测量有两种： 外部指标：将结果与参考模型进行比较 内部指标：直接检查结果不利于任何参考模型 有 Jaccard系数、FM指数、Rand指数、DB指数、Dunn指数 DBI越小越好，DI越大越好 |
| 距离计算 |
距离测量符合以下性质： 非负、同一、对称、直递 闵可夫斯基距离常用 属性可分为连续属性和离散属性 可分为有序属性和无序属性 闵可夫斯基距离适用于有序属性 VDM（Value Difference Metric）适用于无序属性 距离越大，相似度越小 |
| 原型聚类 |
k平均值法将聚类收入的簇划分最小化平方误差 学习向量化（LVQ）,假设样品有类别标记，使用标记辅助聚类 高斯混合聚类采用概率模型表达聚类原型 |
| 密度聚类 |
密度可达关系导出的最大密度相连样本集 |
| 层次聚类 |
试图在不同层次划分数据，从而形成属性的聚类结构 可自底向上，也可自顶向下 AGNES是一种自底向上的算法 |