聚类分析是一种数据贵呀技术，旨在揭露数据集中观测值的子集。它可以把大量的观测值归为若干个类。这里的类被定义为若干个观测值组成的群组，群组内观测值的相似度比群间的相似度高。这不是一个精确的定义，从而导致了各种聚类方法的出现。
最常用的两种聚类方法是层次聚类(hierarchical agglomerative clustering)和划分聚类(partitioning clustering)。在层次聚类中，每一个观测值自成一类，这些类两两合并，直到所有的类被聚成一类为止。在划分聚类中，首先定义指定类的个数K，然后观测值被随机分成K类，再重新形成聚合的类
聚类分析的一般步骤：
⑴选择合适的变量
⑵缩放数据
⑶寻找异常点
⑷计算距离：最常用的距离量度是欧几里得距离
⑸选择聚类算法
⑹获得一种或者多种聚类方法
⑺确定类的数目
⑻获得最终的聚类解决方案
⑼结果可视化
⑽解读类
⑾验证结果：如果采用不同的聚类方法或者不同的样本是否产生相同的类/fpc,clv和clvalid包含了评估聚类解的稳定性的函数
-
kmeans聚类分析
-
层次性聚类分析
-
选择最佳的聚类个数
相关资料；
factoextra 主成分分析（1） - 简书
https://www.jianshu.com/p/9226b777ae86
无监督学习 聚类分析① - 简书
https://www.jianshu.com/p/921aa71afdf8
无监督学习 聚类分析② - 简书
https://www.jianshu.com/p/514d771c243e
无监督学习 聚类分析③ - 简书
https://www.jianshu.com/p/b8dcfc7c1d4c
无监督学习 聚类分析④ - 简书
https://www.jianshu.com/p/e9ba1f5f5ae7
