詳細解釋
聚類（Clustering）是無監督學習中將數據分組的技術，讓相似樣本在同一組，不同組樣本相異。
主要算法：
- K均值聚類：基於中心的劃分方法
- 層次聚類：自底向上或自頂向下
- DBSCAN：基於密度的聚類
- 高斯混合：機率分布模型
- 譜聚類：圖論方法
應用場景：
- 客戶分群：RFM、行為分群
- 圖像分割：基於顏色/紋理分組
- 異常檢測：遠離所有群的樣本
- 特徵工程：創建聚類特徵
- 降維可視化：t-SNE、UMAP
評估指標：
- 輪廓係數：衡量類內緊密、類間分離
- CH指標：類間散度/類內散度
- 純度：與真實標籤比較（如有）
挑戰：
- K選擇：需預設或估計群數
- 形狀限制：某些算法假設球形
- 高維度：維度災難影響距離計算
- 可解釋性：理解每群的含義
與分類的區別：聚類無標籤，分類有標籤。
亦稱「Spectral Clustering」。