是的，因为聚类也可能存在过拟合问题。例如，增加集群数量总是会“提高性能”。

这是一个使用 K-Means 聚类的演示：

K-means 的目标函数是

有了这样的目标，较低的意味着“更好”的模型。$J$

假设我们有以下数据（虹膜数据），选择簇数为总是比选择簇数为 “更好” 。那么选择集群会比集群好。我们可以继续这条轨道并以成本结束：只需使集群的数量等于数据点的数量，并将所有集群中心放在相应的点上。$4$$3$$5$$4$$J=0$

d=iris[,c(3,4)]

res4=kmeans(d, 4,nstart=20)
res3=kmeans(d, 3,nstart=20)


par(mfrow=c(1,2))
plot(d,col=factor(res4$cluster),
		 main=paste("4 clusters J=",round(res4$tot.withinss,4)))
plot(d,col=factor(res3$cluster),
		 main=paste("3 clusters J=",round(res3$tot.withinss,4)))

如果我们有延迟数据进行测试，它将防止我们过度拟合。同样的例子，假设我们选择了大量的集群并将每个集群中心放置在训练数据点上。测试误差会很大，因为测试数据点不会与训练数据重叠。

不，这通常是不可能的。

很少有聚类可以像分类器一样使用。只有使用 k-means、PAM 等，您才能评估“泛化”，但从那时起，聚类变得更加多样化（和有趣）。事实上，即使是旧的层次聚类也不能很好地推广到“新”数据。聚类不是分类。许多分类方法不能很好地转移到聚类；包括超参数优化。

如果您只有部分标记的数据，则可以使用这些标签来优化参数。但是集群的一般情况是你想了解更多关于你的数据集的信息；所以你运行了几次聚类，调查有趣的聚类（因为通常，一些聚类显然太小或太大而没有意义！）并记下你得到的一些见解。聚类是帮助人类探索数据集的工具，而不是自动的东西。但是您不会“部署”集群。它们太不可靠了，单个聚类永远不会“说明全部”。

不，您不会在无监督学习中使用训练和测试。无监督学习中没有目标函数来测试算法的性能。