非监督学习

给机器输入大量的特征数据，并期望机器通过学习找到数据中存在的共性特征或结构，亦或数据之间的关联。比如说，视频网站根据用户的观看行为进行分组，采取不同的推荐策略。
这类非监督学习问题并不像监督学习那般希望预测某一个输出结果。
非监督学习包含两大类学习方法，数据聚类和特征变量关系，输入数据没有标签信息。
聚类算法往往通过多次迭代寻找数据的最优分割，特征变量关联则是利用各种相关性分析方法寻找变量之间的关系。

K均值聚类

SVM，LR，DT的机器学习算法主要用于分类问题，根据已有分类的样本，训练分类器，然后对未知的样本进行分类。
聚类问题则不同，聚类是在事先不知道样本标签的情况下，通过数据之间的关系进行划分为若干类别。
分类问题属于监督学习，聚类则是非监督学习。K均值聚类则是最基础与最常用的聚类算法。其思想，通过迭代方式寻找K个簇的一种划分方案，使得聚类结果对应的代价函数最小，比如这里，代价函数可以定义为各个样本距离所属簇中心点的误差平方和：

其中代表第i个样本，是所属于的簇，代表簇对应的中心点，M是样本总数。