算法的目的 ：
聚类算法是“无监督学习”中最常用的一个算法，通过对无标记训练样本的学习将数据集划分成若干个不相交的子集，来解释数据的内在性质以及规律，为进一步数据分析提供基础。也可以作为一个单独的过程，寻找数据内在的分布结构
注意 ： 类所对应的概念语义需要由使用者自己把握和命名。
对于一个算法的评估我们需要对这种算法进行量化，比如手对于一般的基础算法，我们有时间复杂度、空间复杂度进行度量，对于监督学习我们用答对率和预测误差进行度量，当然聚类算法也需要一个数值化的方法对其性能进行度量
算法的性能度量
度量分为两种方法，一个是依赖外部的某个“参考模型”经行比较，成为 “外部指标”，另一个是直接参考聚类的结果而不是参考其他模型，称之为“内部指标”。
1.外部指标
外部指标一般就是通过这三个指标经行衡量
2.内部指标
摘自 ： 周志华<<机器学习>>
距离计算
对于上面的 dist (xi,xj) 是有距离计算公式的 我们来看一下数学中对于距离的一般定义
1. 距离具有非负性（所有的距离大于等于0）
2. 距离具有同一性 （到自己的距离为0）
3. 距离具有对称性 （i到j与j到i的距离相等）
4. 定义距离满足三角形不等式 （直递性）
一般对于可度量的量我们使用闵可夫斯基距离 ： 
对于 p = 1 变成了曼哈顿距离
p=2则是欧几里德距离
对于不可以度量的我们则采用 VDM 距离
上面便是聚类算法的基本的一些介绍