一，引言

之前几个章节讨论的都是监督聚类，从本章开始讨论非监督聚类，即训练模式不带标签的情形。

    聚类的步骤：

1，特征选择。选取最能够表示我们目标物体信息的特征。

2，相似性度量。给出两个特征量相似点或者不想似的地方。

3，聚类标准。聚类标准。可能由损耗函数（cost function）或者其他形式表达。

4，聚类算法。根据相似性度量和聚类标准，阐明数据的结构。

5，结果验证。

6，解释结果。

不同的特征、相似性度量、聚类标准和聚类算法会导致完全不同的结果。

主观性会一直伴随我们。（Subjectivity is a reality we have to live with from now on.）

聚类的应用：

1，数据简化。

2，提出假设。

3，验证假设。

4，基于组群的预测。

二，相似性度量

1，点间度量

2，点和数据集间度量

3，数据集间度量