Ingen sätter etiketter på data. Kluster letar efter naturliga grupperingar inom en datamängd, sätter ihop liknande punkter och separerar olika. Det är oövervakat lärande i sin renaste form, och det visar sig i kundsegmentering, bildkomprimering och avvikelsedetektering.

Algoritmer skiljer sig åt i hur de definierar likhet och form. K-means partitionerar punkter i ett fast antal sfäriska kluster. Hierarkisk klustring bygger ett träd av kapslade grupper. DBSCAN hittar täta regioner och märker glesa punkter som brus.

Vanliga klustermetoder

• K-medelvärden och k-medoider
• Hierarkisk agglomerativ klustring
• DBSCAN och densitetsbaserade metoder
• Gaussiska blandningsmodeller
• Spektral klustring

Att utvärdera kluster är knepigt eftersom det inte finns någon grundsanning. Silhuettpoäng och armbågsdiagram ger vägledning, men domänkunskap avgör vanligtvis om en gruppering är meningsfull.