机器学习算法模型（无监督学习）

1.k-means clustering
不适合处理非球型数据；
运行速度快；适用大规模数据集；
运行结果因为随机数可能不一样；

2.Agglomerative clustering（不能predict ）
有三种聚合方式：ward, average, complete
ward: 适用大部分数据
average, complete：若cluster的数量大小相差较大时，适用；
可以使用dendrograms方便的查看cluster的形成过程，利于分析；

3.DBSCAN（densitybased spatial clustering of applications with noise）（不能predict ）
能够处理复杂的数据形状；识别出不属于任何cluster的点（噪音点）；
min_samples：越大，分类为噪音点越多；
eps：越大，越多点归类为一个cluster；
使用StandardScaler or MinMaxScaler，能确保所有特征有着类似的范围值