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
