?到本篇文章，我們先對前幾篇所學習的算法進行一個回顧：

而本篇文章我們將會介紹聚類以及K-means算法。

---

分類問題	回歸問題	聚類問題	各種復雜問題
決策樹√	線性回歸√	K-means√	神經網絡√
邏輯回歸√	嶺回歸	密度聚類	深度學習√
集成學習√	Lasso回歸	譜聚類	條件隨機場
貝葉斯		層次聚類	隱馬爾可夫模型
支持向量機		高斯混合聚類	LDA主題模型

---

目錄

一.聚類及K-means算法

（1）聚類

（2）聚類的應用

（3）K-means

（4）K-means相似度計算

（5）K-means的損失函數

（6）小結

二.基于Scikit-learn實現聚類

（1）Python支持的K-means聚類實現

（2）K-means算法特點

三.聚類模型的性能評估

（1）聚類模型的性能評估——蘭德指數

（2）聚類模型的性能評估——輪廓系數

（3）聚類模型性能評估的程序實現

（4）小結

四.常用聚類算法簡介

（1）常用聚類方法

（2）基于密度的聚類——DBSCAN

（3）基于層次的聚類——BIRCH

（4）小結

---

一.聚類及K-means算法

（1）聚類

（2）聚類的應用

（3）K-means

（4）K-means相似度計算

（5）K-means的損失函數

（6）小結

---

二.基于Scikit-learn實現聚類

（1）Python支持的K-means聚類實現

?

（2）K-means算法特點

---

三.聚類模型的性能評估

（1）聚類模型的性能評估——蘭德指數

（2）聚類模型的性能評估——輪廓系數

（3）聚類模型性能評估的程序實現

（4）小結

---

四.常用聚類算法簡介

（1）常用聚類方法

（2）基于密度的聚類——DBSCAN

（3）基于層次的聚類——BIRCH

（4）小結