在'無監督學習'(unsupervised learning)中, 訓練樣本的標記資訊是未知的, 目標是通過對無標記訓練樣本的學習來揭示資料的內在性質及規律, 為進一步的資料分析提供基礎.

“聚類”（clustering）演算法是“無監督學習”演算法中研究最多、應用最廣的演算法，它試圖將資料集中的樣本劃分為若干個通常是不相交的子集，每個子集稱為一個“簇”（cluster）

不同的簇分佈代表著聚類演算法對這組資料集觀測的不同角度，比如在不同屬性上進行分類會導致聚類演算法將西瓜劃分為：“有籽瓜簇” “無籽瓜簇”，”淺色瓜簇” “深色瓜簇”，甚至“本地瓜簇” “外地瓜簇”等類別。

在此基礎上我們稍微擴充套件一下，假設存在一個能對機器學習各種演算法進行分類的聚類學習器，那麼在訓練樣本是否有標記這個屬性上，它會將機器學習演算法分為“監督學習簇”、“非監督學習簇”和“半監督學習簇”；在預測結果是否是連續值這個屬性上，它會將機器學習演算法分為“迴歸演算法簇”和“分類演算法簇”；在演算法基本步驟這個屬性上，它會將機器學習演算法分為“貝葉斯演算法簇”、“決策樹演算法簇”、“神經網路演算法簇”等類別

需說明的是，這些劃分的概念對聚類演算法來說事先是未知的，聚類過程僅能自動生成簇結構，簇所對應的概念語義需由使用者來把握和命名

因為聚類是在未標註樣本上的分類演算法，所以不像之前我們介紹的其它演算法一樣，我們可以直觀的知道訓練出來的模型的好壞，即我們不能通過比對測試樣本的預測結果和真實預測結果誤差值來近似泛化誤差。

所以在介紹聚類的具體演算法之前，我們得要先討論聚類演算法涉及的最基本的問題：如何判斷一個聚類演算法結果的好壞