1. 聚类：将拥有最相似属性的数据归为一类.
K-means聚类：
python调用格式：compacness, labels, centers = cv2.kmeans(data, K, criteria, bestLabels=None, attempts, flags, centers=None)
data: 需要被聚类的输入数据。 K： 类别数目。 criteria: 算法终止标准， 比如最大循环次数，期望的准确率。 attempts： 算法使用不同的初始位置，执行的次数，算法返回最优结果。
flags: (1) KMEANS_RANDOM_CENTERS: 每次attempt中，选择随机初始中心。(2) KMEANS_PP_CENTERS: 利用Arthur and Vassilvitskii方法选择初始中心。 (3) KMEANS_USE_INITIAL_LABELS: 第一次尝试，使用用户提供的中心， 之后的尝试，使用随机或者半随机中心。
centers: 聚类中心的输出矩阵，每个聚类中心一行。
输出： compactness: 每个点到对应中心的平方距离和。 labels: 标签矩阵，每个元素被标识为‘0’,‘1‘......。centers: 类中心的矩阵。
实例：（1）灰度图像分割时，将图像的灰度值分成K类，得到我们想要的区域。（2）输入N个人的身高，体重，成绩，外貌分等X类特征数据，将这N个人分成K类，找到各自较为相似的类。
2. PCA主成分分析：找出并保留能最大程度上区分个体的前K个属性（也即从大到小排序后，前K个特征值对应的特征向量方向）
python调用格式：
实例：（1）丢弃特征向量较小的部分，重构数据，去除输入数据中的噪声。（2）数据维度太高，去除区分度很低的属性，降低数据维度，举个例子，输入的一组数据中，所有人的体重都在70Kg附近小范围波动，这对于区分个体并没有什么帮助作用，我们便可以遗弃‘体重’这一属性。