Κανείς δεν επισημαίνει τα δεδομένα. Η ομαδοποίηση αναζητά φυσικές ομαδοποιήσεις μέσα σε ένα σύνολο δεδομένων, ενώνοντας παρόμοια σημεία και διαχωρίζοντας ανόμοια. Πρόκειται για μη επιβλεπόμενη μάθηση στην πιο αγνή της μορφή και εμφανίζεται στην τμηματοποίηση πελατών, στη συμπίεση εικόνων και στην ανίχνευση ανωμαλιών.

Οι αλγόριθμοι διαφέρουν ως προς τον τρόπο που ορίζουν την ομοιότητα και το σχήμα. Ο δείκτης K-means διαχωρίζει τα σημεία σε έναν σταθερό αριθμό σφαιρικών συστάδων. Η ιεραρχική ομαδοποίηση δημιουργεί ένα δέντρο από ένθετες ομάδες. Το DBSCAN βρίσκει πυκνές περιοχές και χαρακτηρίζει τα αραιά σημεία ως θόρυβο.

Κοινές μέθοδοι ομαδοποίησης

• K-μέσα και k-μεσοειδή
• Ιεραρχική συσσωματωτική ομαδοποίηση
• DBSCAN και μέθοδοι που βασίζονται στην πυκνότητα
• Γκαουσιανά μοντέλα μιγμάτων
• Φασματική ομαδοποίηση

Η αξιολόγηση των συστάδων είναι δύσκολη επειδή δεν υπάρχει βασική αλήθεια. Οι βαθμολογίες Silhouette και τα διαγράμματα αγκώνα προσφέρουν καθοδήγηση, αλλά η γνώση του τομέα συνήθως αποφασίζει εάν μια ομαδοποίηση έχει νόημα.