13.1無監督學習：簡介
将沒有标簽的樣本分成不同的集合（簇），這種算法叫做聚類。常用的領域有市場分割、社交網絡分析、計算機叢集管理、了解星系等。
13.2K-均值算法
（1）K-均值是最普及的聚類算法，是一種疊代算法，假設需要将資料聚類成n個組，這時候首先随機選擇K個點，稱為聚類中心。
将每個樣本歸屬到最近的聚類中心，然後重新計算每個類的中心變成新的聚類中心，重複以上步驟，直到聚類中心不變。
僞代碼如下：
13.3優化目标
k-均值的最小化問題，就是每個樣本點到對應聚類中心的距離之和：
與其他算法不同的是，k-均值每一次疊代都會是代價函數變小。
13.4随機初始化
（1）K應該小于樣本數m;
（2）從樣本中随機選取K個執行個體作為初始聚類中心。
K-均值可能會出現局部最小的情況，如下所示：
解決方案：多次運作該算法，最後在比較K-均值代價函數最小的結果，這種方法适用于K取較小的時候（2-10），K太大沒有明顯效果。
13.5選擇聚類數
繪制聚類數與代價函數的圖，然後選取出現斜率突然變小的地方的值（“肘部法則”）。