无监督-无标签
聚类，难点在于评估和调参。
k-means最简单实用
基本概念
K值：数据聚成多少类。
质心：各个维度算平均数。Centroid
相似度量：距离来算（欧式距离——直线距离，余弦距离）
样本之间的距离要先做标准化。（例如先都画到0-1之间）
优化，样本离质心间距离求和。（Ci是质心，x是样本）。越小越好，距离越小越相似，希望数据点到各自质心的距离越小越好（聚类）。
工作流程
1、随机初始化
要聚成两类则随机初始化两个质心，
遍历所有的点，算两个质心距离；哪个离得近，分类
更新质心：红色算平均
还有基于密度聚类
dbscan
网页演示：
Visualizing K-Means Clustering https://www.naftaliharris.com/blog/visualizing-k-means-clustering/
numpy矩阵运算的
matplotlib数据可视化
sklearn已经
对花的数据聚类，一行一个样本。一列是一个特征。
画出来
数据差别不大，可以不做标准化。
利用sklearn里的k-means建模
- 实例化KM_model。
- .fit，使用所有特征，四个特征。.fit训练
- 查看聚类结果labels。
聚类评估：轮廓系数（Silhouette Coefficient）
ai同簇，越小越好。
bi到其他簇，取最小。越大越好，不同的差异大。
算平均轮廓系数
使用全部4个特征，发现聚类效果并不理想
现在，只使用后面两个特征进行聚类
花瓣长度和花瓣宽度
