”聚类（Clustering）
指的是一种学习方式（操作方式），即把物理或抽象对象的集合分组为由彼此类似的对象组成的多个类的分析过程。
在没有人特意教授不同小种群的称谓与特性之前，人类自然具备这种主观的认知能力，以特征形态的相同或近似将它们划在一个概念下，以特征形态的不同划在不同的概念下，这本身就是聚类的思维方式。
孤立点
在生产生活中，孤立点的应用和研究也很多。例如，在银行的信用卡诈骗识别中，研究孤立点就是很好的办法，通过对大量的信用卡用户信息和消费行为进行向量化建模和聚类，发现在聚类中远离大量样本的点显得非常可疑——因为他们和一般性的信用卡用户特性不同，他们的消费行为和一般性的信用卡消费行为也相去甚远。还有医学领域和刑侦领域的大数据研究中都大量应用了孤立点的研究技术。在某些大型网络商城里，为了防止一些商家恶意刷单，也采用了与刑侦手段相似的措施，对店铺的销售行为以及买家的购买行为进行聚类，看看有哪些对象是与一般性的店铺销售行为或者买家购买行为差异巨大的，从而做出规则上的预防。
层次聚类
层次聚类的思路也可以用于对人们社会活动中的一些现象进行总结，如一个做歌曲发布的网站，如果希望做推荐算法，可以考虑对一个人爱听的歌曲进行层次化的聚类。对每首爱听的歌曲进行向量建模，如对一首歌的各个信息维度进行建模，例如：
（'音域'，'调式'，'节拍'，'速度'，'配乐乐器'，'国家元素'，'滑音'，'长音'，'语言'，'歌手年龄'，'歌手性别'…）
对上述信息进行量化。那么可以尝试挖掘这个用户喜欢歌曲的大类别，以及其下的小类别。或者研究歌曲流行风格进化细化的趋势等。
小结
聚类这一章的内容是机器学习中探索性较强的一章，是一类用归纳方式来进行认知和观察的方法体系。应该说聚类在我们发现和总结观察对象的共性和规律方面还是有很多应用场景的，例如在向量化相对完整的前提下找出忠诚客户的共性、找出流式客户的共性、找出疑似在业务场景中作弊的个案等，这些都可以尝试使用聚类的方法进行发掘和分析。
应用场景 非人恶意流量识别，保险投保者分组
