聚类算法，根据样本之间的相似性，将样本划分到不同的类别中。
聚类算法有：K-means聚类、层次聚类、DBSCAN聚类、谱聚类等，其中，主要以K均值K-Means算法最为常用，k-Means是一种无监督学习的聚类算法，用于将数据划分为k个互不重叠的簇（clusters）。
1. 聚类算法的核心思想
核心思想：通过迭代优化，将样本分配到最近的簇中心（质心），并更新质心位置，直到收敛。
Api应用：
# 导包 from sklearn.cluster import KMeans # 创建模型实例 model = KMeans(n_clusters=4, random_state=22) # 模型训练 estimator.fit(x) # 模型预测 pred = estimator.predict(x)2. K-Means算法的底层流程：
1. 确定初始K中心，初始化K值，或利用K-Means++算法优化初始点的选择，让簇之间的距离尽可能远。
2. 寻找最优的质心，不断迭代、分配/更新的过程，直到收敛或达到迭代次数，使得簇内平方和达到最小值。
3. 确定最终结果，当迭代停止时，算法输出最终的K个簇和对应的质心。
3. 聚类算法的模型评估函数：
聚类算法常用的评估方法有：
SSE： 误差平方和，考虑簇内距离，SSE 相对越小越好，
肘部法：下降率突然变缓时，聚类效果最好。
Api：KMeans.inertia_属性
SC： SC轮廓系数法，考虑簇内距离和簇外距离，取值为[-1, 1]，SC值越大，聚类效果越好。
Api：from sklearn.metrics import silhouette_score
通过图像可观察到n_clusters=4取到最大值；最佳值4
CH： CH轮廓系数法，考虑簇内距离和簇外距离、质心的个数，CH值越大，聚类效果越好。
Api：from sklearn.metrics import calinski_harabasz_score
通过图像可观察到n_clusters=4取到最大值；最佳值4
