聚类（又叫非监督学习）用于理解用户数据结构。例如，基于用户的支付历史信息可以将用户聚类成多个组，这对与营销策略很有用。
注意：不同于监督学习，非监督学习步需要目标变量。
按以下步骤在DSS中使用非监督学习：
- 进入项目中的Flow
- 点击要使用的数据集
- 选择实验室
- 创建可视化分析
- 点击模型Tab
- 选择创建第一个模型
- 选择聚类
注意：在模型 > 设置 > 抽样下进行抽样设置
可用的的抽样方法取决于机器学习引擎
如果数据没有加载在内存中，那么你可能希望在抽取的样本上做聚类。可以从最开始抽样数据（最快的方式）或者从整个数据集上随机抽样。
参考 特征处理。
注意：在模型 > 设置 > 特征降维下进行特征设置
特征降维通过将所有相关的变量分组合并成“主成分”来降低特征数量，得到的主成分与原始数据的差异尽可能大。
PCA对于聚类最大的好处在于降低算法运行时间，尤其在高纬特征的情况下。
可以选择启用、禁用和两种来进行比较。
注意：在模型 > 设置 > 异常检测下对异常检测参数进行设置
在进行聚类分析时，它通常会建议进行异常检测。如果不做异常检测它会产生不平衡的聚类，或者存在许多小簇而其中某个簇几乎包含所有的数据集。
DSS通过执行一次预聚类，聚出较大数量的聚类，将其中的小簇认为是异常，当：
- 簇的大小小于某个阈值（例如：10）
- 簇内总的样本小于某个比例阈值（例如：1%）
一旦检测出异常，通常可以：
- 删除：删除异常值。
- 聚类：对所有检测出的异常值创建一个聚类。
注意：在模型 > 设置 > 算法下进行算法设置
DSS支持多种聚类算法，可以选择多个聚类算法来比较哪个算法在数据集上有更好的表现。
可用的的算法取决于机器学习引擎。