一、K-means：让数据自己 “找组织”
什么是聚类？
聚类属于无监督学习的范畴 —— 简单说就是手里没有标签时，我们要把长得像的样本分到一组。比如给一堆用户数据，不需要提前知道 “高价值用户”“潜在用户” 这些标签，聚类算法能自动帮我们发现数据中隐藏的分组规律。
怎么衡量 “像不像”？
判断样本是否相似，关键看距离度量方式：
- 欧式距离：最常用的一种，就像平面上两点间的直线距离，扩展到 n 维空间就是各维度差值的平方和开根号。
- 曼哈顿距离：更像城市里打车的路线，算的是坐标差值的绝对值之和（比如从 (1,2) 到 (3,5)，距离就是 | 1-3|+|2-5|=5）。
K-means 的核心步骤
- 先定一个 k 值（想分成几类），随机选 k 个样本当初始 “聚类中心”
- 算每个样本到这 k 个中心的距离，把样本分到最近的中心那组
- 重新计算每组的均值，作为新的聚类中心
- 重复第 2、3 步，直到中心位置不再变化，聚类结果就稳定了
怎么评价聚类效果？
可以看CH 指标：这个值越大，说明组内样本越集中（紧凑），组间差异越明显（分散），聚类效果就越好。
优缺点很鲜明
- 优点：简单快速，对常规数据集很友好
- 缺点：k 值得自己定（这点很麻烦），对非凸形状的簇不太敏感，计算量会随样本数线性增长
二、集成学习：三个臭皮匠顶个诸葛亮
核心思想
就像做决策时，多听几个专家的意见往往比单听一个更靠谱。集成学习就是把多个 “弱学习器”（性能一般的模型）组合起来，变成一个 “强学习器”（性能更优的模型）。
常见的三种组合套路
Bagging（并行模式）
代表是随机森林：- 随机：既随机采样数据，又随机选特征，让每个决策树都有点 “个性”
- 森林：多棵决策树并行生长，最后投票（分类）或平均（回归）出结果
优势是能处理高维数据，还能告诉我们哪些特征更重要，训练速度也快（树可以并行生成）。
Boosting（串行模式）
典型如 AdaBoost：
从弱学习器开始，每次都根据上一轮的错误调整样本权重 —— 分错的样本会被 “重点关照”（权重提高），下一个学习器会更关注这些难分的样本。最后按每个学习器的表现给权重，组合成强学习器。Stacking（堆叠模式）
更 “暴力” 的组合方式：先让各种模型（KNN、SVM、随机森林等）分别输出结果，再把这些结果当新特征，训练一个 “元模型” 来做最终预测，相当于 “用模型的结果再建模”。
组合策略
- 简单平均 / 加权平均（回归常用）
- 投票法（分类常用，少数服从多数）
