到本篇文章，我们先对前几篇所学习的算法进行一个回顾：

而本篇文章我们将会介绍聚类以及K-means算法。

---

分类问题	回归问题	聚类问题	各种复杂问题
决策树√	线性回归√	K-means√	神经网络√
逻辑回归√	岭回归	密度聚类	深度学习√
集成学习√	Lasso回归	谱聚类	条件随机场
贝叶斯		层次聚类	隐马尔可夫模型
支持向量机		高斯混合聚类	LDA主题模型

---

目录

一.聚类及K-means算法

（1）聚类

（2）聚类的应用

（3）K-means

（4）K-means相似度计算

（5）K-means的损失函数

（6）小结

二.基于Scikit-learn实现聚类

（1）Python支持的K-means聚类实现

（2）K-means算法特点

三.聚类模型的性能评估

（1）聚类模型的性能评估——兰德指数

（2）聚类模型的性能评估——轮廓系数

（3）聚类模型性能评估的程序实现

（4）小结

四.常用聚类算法简介

（1）常用聚类方法

（2）基于密度的聚类——DBSCAN

（3）基于层次的聚类——BIRCH

（4）小结

---

一.聚类及K-means算法

（1）聚类

（2）聚类的应用

（3）K-means

（4）K-means相似度计算

（5）K-means的损失函数

（6）小结

---

二.基于Scikit-learn实现聚类

（1）Python支持的K-means聚类实现

 

（2）K-means算法特点

---

三.聚类模型的性能评估

（1）聚类模型的性能评估——兰德指数

（2）聚类模型的性能评估——轮廓系数

（3）聚类模型性能评估的程序实现

（4）小结

---

四.常用聚类算法简介

（1）常用聚类方法

（2）基于密度的聚类——DBSCAN

（3）基于层次的聚类——BIRCH

（4）小结