非监督学习
非监督学习是一种机器学习方法，不依赖于标注数据集（即没有预先定义的目标变量）。在非监督学习中，常见的任务包括聚类和降维。以下是对两类任务中常用算法的详细介绍：
聚类算法
聚类算法的目标是将数据集中的样本划分为若干个组（簇），使得同一簇内的样本具有较高的相似性，而不同簇之间的样本差异较大。
K-means 聚类
概述：K-means 是一种广泛使用的聚类算法，旨在将数据集划分成 K 个簇，每个簇通过其簇中心（质心）表示。
算法步骤：
1. 初始化：随机选择 K 个初始质心。
2. 分配簇：将每个样本分配到离它最近的质心所在的簇。
3. 更新质心：重新计算每个簇的质心，质心为簇内所有样本的平均值。
4. 重复步骤 2 和 3，直到质心不再变化或达到最大迭代次数。
优点：
* 简单易懂，计算速度快。
* 对大数据集也能高效执行。
缺点：
* 需要预先指定 KKK 的值。
* 对初始质心敏感，
