聚類：無監督學習，將相似的樣本聚為一類。核心如何定義相似。
分類：有監督學習，依據分類準則，將樣本劃分為不同的類。核心分類器的設計（KNN）

聚類：根據彼此不同的屬性進行辨認，將具有相似屬性的事物聚為一類，使得同一類的事物具有高度的相似性。

1.K-mean

1. 隨機選取k個類別中心
2. 計算每個樣本點到每個中心的距離，將樣本歸類到距離最近的類中。
3. 依據每個類的樣本更新類中心
4. 重復2，3直至類中心變化小于某個閾值。

K-meas 算法的優點：簡介快速，時間復雜度O(nkt)
K-meas 算法的缺點：需要預先知道/設定聚類數量k

2.系統聚類

自底向上的一種方法：初始時，各個樣本自成一類，依據定義的相似度，每次合并一個類，不斷向上合并直至到達設定了類別數

1. 定義樣本間距離和類間距離的計算方法，每個樣本自成一類
2. 計算任意兩個類間距離，將距離最短的兩個類合并
3. 重復步驟2直至聚為k類

樣本間距離：歐幾里得距離、均方距離、曼哈頓距離（1范數）、余弦距離、最大距離（無窮范數）
類間距離：最大距離、最小距離、平均距離、離差平方和距離

系統聚類的優點：靈活定義的距離對昂使得他有廣泛的適用性
系統聚類的缺點：時間復雜度高，一般為$o(n^3)$。

3.DBSCAN聚類算法

DBSCAN：density-based spatial clustering of applications with noise
將類定義為：密度相連的點的最大集合，通過在樣本空間中不斷尋找最大集合從而完成聚類
有幾個基本定義：$?$領域，核心對象，直接密度可達，密度可達，密度相連

密度可達是直接密度可達的傳遞閉包

1. 定義半徑$?$和MinPts
2. 抽取未被訪問的樣本點q
3. 檢驗是否為核心對象，是-進入步驟4，否-返回步驟2
4. 找出該樣本點所有密度可達的對象，構成聚類$C_q$.
5. 重復步驟2，直至所有樣本點都被訪問過一遍

能在帶噪聲的樣本空間中發現任意形狀的聚類并排除噪聲

DBSCAN聚類的優點：能夠過濾低密度區域，發現稠密樣本點。不需要制定聚類數，可以過濾噪聲，時間復雜度$o(n\log n)$

(概念稍微復雜點的一個聚類算法)