Tidak ada yang memberi label pada data. Pengelompokan (clustering) mencari pengelompokan alami dalam suatu dataset, menyatukan titik-titik yang serupa dan memisahkan titik-titik yang tidak serupa. Ini adalah pembelajaran tanpa pengawasan dalam bentuknya yang paling murni, dan muncul dalam segmentasi pelanggan, kompresi gambar, dan deteksi anomali.

Algoritma berbeda dalam cara mereka mendefinisikan kesamaan dan bentuk. K-means membagi titik-titik menjadi sejumlah klaster berbentuk bola yang tetap. Pengelompokan hierarkis membangun pohon kelompok bersarang. DBSCAN menemukan wilayah padat dan memberi label titik-titik jarang sebagai noise.

Metode pengelompokan umum

• K-means dan k-medoids
• Pengelompokan aglomeratif hierarkis
• DBSCAN dan metode berbasis kepadatan
• Model campuran Gaussian
• Pengelompokan spektral

Mengevaluasi klaster itu sulit karena tidak ada kebenaran mutlak. Skor siluet dan plot siku menawarkan panduan, tetapi pengetahuan domain biasanya menentukan apakah suatu pengelompokan bermakna.