一，引言
之前幾個章節討論的都是監督聚類，從本章開始討論非監督聚類，即訓練模式不帶標籤的情形。
聚類的步驟：
1，特徵選擇。選取最能夠表示我們目標物體信息的特徵。
2，相似性度量。給出兩個特徵量相似點或者不想似的地方。
3，聚類標準。聚類標準。可能由損耗函數（cost function）或者其他形式表達。
4，聚類算法。根據相似性度量和聚類標準，闡明數據的結構。
5，結果驗證。
6，解釋結果。
不同的特徵、相似性度量、聚類標準和聚類算法會導致完全不同的結果。
主觀性會一直伴隨我們。（Subjectivity is a reality we have to live with from now on.）
聚類的應用：
1，數據簡化。
2，提出假設。
3，驗證假設。
4，基於組羣的預測。
二，相似性度量
1，點間度量
2，點和數據集間度量
3，數據集間度量