聚类概念：
聚类与分类的区别：
}聚类（Clustering）是把数据对象划分成子集的过程，就是将数据分组成为多个类（Cluster）。
在同一个类内对象之间具有较高的相似度，不同类之间的对象之间的差异较大。
聚类方法的分类：
- u划分方法
给定一个n个对象的集合，划分方法构建数据的k个分区，其中每个分区表示一个簇且k≤n。 - u层次的方法
创建给定数据对象集的层次分解。 - u基于密度的方法
通过“邻域”中的密度来对数据进行划分 - u基于网格的方法
把对象空间量化为有限个单元，形成一个网络结构，所有的聚类操作均在该网络上进行。
划分方法：
k-means方法步骤：
层次方法：
凝聚法的基本思想：
先将n个样品各自看成一类，然后规定样品之间的“距离”和类与类之间的距离。
选择距离最近的两类合并成一个新类，计算新类和其它类（各当前类）的距离，再将距离最近的两类合并。
这样，每次合并减少一类，直至所有的样品都归成一类为止。
凝聚聚类方法：
聚类时距离的更新：
基于密度的方法：
概念：
核心对象，密度直达，密度可达，密度相连：
DBSCAN步骤：
基于网络的方法：
高层单元统计变量的计算：
聚类评估：
聚类评估包含的主要任务：
- 估计聚类趋势：对于给定的数据集，评估该数据集是否存在非随机结构
- 确定数据集中的簇数：如K-均值算法需要将簇的数目作为参数
- 测定聚类质量：评估结果簇的质量
