机器学习笔记：聚类算法
思想：将数据集划分为若干不相交子集（称为簇）。但算法并不会告诉你每个簇是什么意思，需要自行解释。
作用：
探索性分析方法，用来分析数据的内在特点，寻找数据的分布规律。
作为分类的预处理，对待分类的对象进行聚类，然后对聚类出的结果的每一簇上，进行分类。
有效性指标：
外部指标：由聚类结果与某个参考模型进行比较得出；Jaccard系数、FM指数、Rand指数、ARI指数
内部指标：直接由考察聚类结果而得到。DB指数、Dunn指数
距离度量：
聚类需要借助距离的远近，评价样本的相似性，因此如何度量距离影响聚类结果。
常见的利用欧式距离、曼哈顿距离。
基本算法：KMEANS