聚类算法是一种无监督学习算法，其原理是通过计算样本之间的相似度或距离，将相似度较高的样本归为同一类别，使得同一类别内的样本相似度尽可能高，不同类别之间的样本相似度尽可能低，常见的聚类算法包括K-Means算法、层次聚类算法、DBSCAN算法、谱聚类算法等 。
K-Means算法是最常用的聚类算法之一，其基本思想是随机选择K个样本作为初始聚类中心，然后计算每个样本到这些聚类中心的距离，并将样本分配到距离最近的聚类中心所在的簇中，根据每个簇中的样本重新计算聚类中心的位置，重复这个过程直到聚类中心不再发生变化或达到预定的迭代次数 。
层次聚类算法通过构建数据点之间的层次结构来进行聚类，可以是自底向上的凝聚方法或自顶向下的分裂方法。
DBSCAN是一种基于密度的聚类算法，能够识别任意形状的簇，同时对噪声和离群点具有较好的鲁棒性。
谱聚类使用数据的相似性矩阵来进行聚类，特别适用于复杂形状的数据集。
