本节及后续章节将介绍深度学习中的几种聚类算法，所选方法都在Sklearn库中聚类模块有具体实现。本节为上篇，将介绍几种相对基础的聚类算法，包括K-均值算法和均值漂移算法。
目录
X.1 聚类概述
X.1.1 聚类的种类
X.1.2 Sklearn聚类子模块
X.2 K均值聚类
X.1 聚类概述
聚类（Clustering）是机器学习中的一类无监督学习方法。它是按照某个特定标准（如距离）把一个数据集分割成不同的类或簇，使得同一个簇内的数据对象的相似性尽可能大，同时不在同一个簇中的数据对象的差异性也尽可能地大。也即聚类后同一类的数据尽可能聚集到一起，不同类数据尽量分离。
X.1.1 聚类的种类
按照策略不同，传统的聚类方法主要可以分为三类：划分式聚类方法（Partition-based Methods）、基于密度的聚类方法（Density-based methods）和层次化聚类方法（Hierarchical Methods）等。
- 划分式聚类方法：该类方法需要事先指定簇类的数目或者聚类中心，通过反复迭代，直至最后达到"簇内的点足够近，簇间的点足够远"的目标。经典的划分式聚类方法有K-means（K-均值）等。
- 基于密度的聚类方法：基于密度的聚类方法可以在有噪音的数据中发现各种形状和各种大小的簇。其核心思想就是先发现密度较高的点，然后把相近的高密度点逐步都连成一片，进而生成各种簇。经典的基于密度的聚类方法有mean-shift（均值漂移）、DBSCAN算法等。
- 层次化聚类方法： 层次聚类算法（Hierarchical clustering）将数据集划分为一层一层的 clusters，后面一层生成的 clusters 基于前面一层的结果。层次聚类算法一般分为两类：Agglomerative 层次聚类：又称自底向上（bottom-up）的层次聚类，以及Divisive 层次聚类： 又称自顶向下（top-down）的层次聚类。经典的基于密度的聚类方法有BIRCH算法等。
除此之外，还有一些高级的方法，如谱聚类（Spectral Clustering ）：其主要思想是把所有的数据看做空间中的点，这些点之间可以用边连接起来。距离较远的两个点之间的边权重值较低，而距离较近的两个点之间的边权重值较高，通过对所有数据点组成的图进行切图，让切图后不同的子图间边权重和尽可能的低，而子图内的边权重和尽可能的高，从而达到聚类的目的。
X.1.2 Sklearn聚类子模块
在Sklearn的cluster（聚类）子模块中，提供了上述几种典型的聚类算法，具体函数名称见下表：
X.2 K均值聚类
原理
