判别分析

K-mean聚类
思想：随机选取k（预设类别数）个样本点作为中心点，将其余样本按与中心点相似度进行聚类，再去各类的均值作为中心点进行聚类，重复迭代，直到样本所属类别不改变为止。

由于k-mean极易受异常值影响，k-中心聚类，将均值改为离各个点距离和最小的点作为中心点。。

系谱聚类，，每次迭代仅将距离最近的两个样本（或者簇）聚成一类，最终聚成k类。。

三大主流判别分析算法：
1、费希尔（Fisher）判别-线性判别（LDA）
2、贝叶斯（Bayes）判别-朴素贝叶斯分类（NB）
3、距离判别-K最近邻（KNN）
1.1 线性判别主要思想是投影，找到一个合适的投影轴使得投影之后类别间的离差很大，
2.1 NB求出待分样本出现条件下，各类出现概率，最大后验作为所属类别的概率，
3.1 根据待分样本与已知类别样本间的距离远近进行判别，
主要包及函数
MASS-lda（）/qda（）
klaR-Naive Bayes（）
class-knn（）
kknn-kknn（）

## S3 method for