一、Kmeans
1.欧几里德距离在高维度时会膨胀，所以先做降维
2.终止条件是新旧中心点的距离小于一个阈值，即中心点几乎不再动了
3.由于初始中心点对结果影响很大，所以要选不同的初始点多次建模
二、AffinityPropagation
原理：目的是找到一些标本点，可以代表所有样本。
两样本点间互通的信息有两种：
responsibility（吸引度） r(i,k)表示k样本可以作为i样本的标本的程度
availability（归属度） a(i,k)表示i样本应该选k为标本的程度
初始时r和a的值为0
为防止数据振动，引入阻尼系数lambda来校正
三、HierarchicalClustering 层次聚类
合并类的方法有：
ward：最小化类间方差和
complete：最小化最远距离
average：最小化平均距离
距离算法可选