1.聚类分析概述

目前为止，我们了解了回归和分类。他们都属于监督式机器学习。在监督式机器学习中，你训练一个算法，通过它从已知的变量来预测未知的变量。

另外一种主要的机器学习方式被叫做非监督式学习。在非监督式学习中，我们并不尝试预测任何变量。取而代之，在数据中找到一种模式。

一个非常重要的非监督式学习技术叫做聚类。当我们尝试探索一个数据集时，并且准备去理解变量的行与列之间的联系时，我们使用聚类。例如，我们可以基于NBA球员的统计资料，来聚集他们。

这里是他们的聚类分布图：

这个分类组制作出之后，你将很容易发现球员的角色，否则，你很难弄清楚。是一个描述分类组怎样被创建出来的文章。

聚类算法组类似在一起的行。他们在数据中可以是一个或多个一组，并且这些组来自于聚类。当我们看这个分类组，我们可以更好的理解数据的结构。

聚类是探索未知数据的钥匙，它是机器学习中普遍用法。在这个任务中，我们将会研究US国会议员选票的聚类问题。