在无监督学习中，训练样本的标记信息是未知的，网络是通过对无标记样本的学习来揭示数据的内在性质和规律。在无监督学习中，应用最多的就是聚类。
简单的理解聚类：聚类就是把数据划分为不同的组，组内的数据具有相似的属性和特征，组间的数据具有高度不相关的属性和特征。即把相似的东西分为一组。
那么，组内相似越大，组间差别越大，那么聚类的效果就会很好。
难点：如何评估（不知到分类结果到底怎么样），如何调参（分成多少类合适）
现在，就其中最简单的算法，kmeans进行学习。
基本概念：
簇：相似的堆的个数，用k值表示
质心：均值，即对数据各个维度取平均
距离的度量：常用欧式距离
优化目标：
具体例子：
- 图a：我们想要生成2堆数据，即簇为2，K=2。
- 图b：首先，我们先随机产生两个点，对应图中红×和蓝×。
- 图c：分别计算图中各点到红×和蓝×之间的距离，如果离红×比较近，那么这个点被归为红色点，反之，则归为蓝色点。
- 图d：经过步骤3中，分好了2个数据堆，如图d，分别计算红色堆和蓝色堆的质心，即在两个维度上的均值。对应图d中的红叉和蓝×
- 图e：同步骤3
- 图f：继续计算当前质心，更新。继续遍历所有数据，直到满足停止条件。
下图是kmean算法步骤，注意看停止条件。
这里停止条件的意思是，直到新质心的位置相比旧质心的位置不再改变，或者差值在一个很小的数内，就可以停止了。或者也可以把迭代次数作为停止条件。
- 优点：简单，适合常规的数据集
- 缺点：k值难以确定，复杂度比较高因为存在遍历，很难发现任意形状的簇。
**另外，刚开始随机初始点的选择，因此最终求得的簇的划分与随机选取的“簇中心”有关，这是因为kmeans算法收敛到了局部最小值，而非全局最小值。**既然对初值很敏感，可以做多次蒙特卡洛仿真求平均。