请解释数据分析中聚类分析的定义，并列举常用的聚类算法。

回答思路

1. 【回答框架 1】聚类分析是一种无监督学习方法，目标是将数据集中的样本划分为若干组（簇），使得同一簇内样本相似度高，不同簇间相似度低。它不依赖预先标注的类别标签，常用于探索数据内在结构、客户分群、图像分割等场景。
2. 【回答框架 2】常见聚类算法可分为几类：基于划分的方法如K-Means，需要预先指定簇数K，通过迭代优化簇内平方和来分配样本，适合大规模数值数据、簇形状近似球形的情况。基于层次的方法如凝聚层次聚类，通过逐步合并或分裂构建树状图，无需预设簇数，可通过树状图决定簇数，但计算复杂度较高。
3. 【回答框架 3】基于密度的方法如DBSCAN，依据样本密度划分簇，能发现任意形状的簇并识别噪声点，适合空间数据和带离群点的场景；基于模型的方法如高斯混合模型（GMM），假设数据由多个高斯分布混合生成，通过EM算法估计参数，能给出样本属于各簇的概率。
4. 【回答框架 4】选择算法需考虑数据规模、簇形状、噪声情况、是否需要概率输出等因素。例如K-Means简单高效但对初始值敏感、仅适合凸簇；DBSCAN能处理不规则簇但参数（邻域半径和最小样本数）对结果影响大。
5. 【关键点 1】聚类分析是无监督学习，核心是最大化簇内相似度、最小化簇间相似度。
6. 【关键点 2】K-Means属于划分方法，需预设K值，适合大规模、凸簇数据。
7. 【关键点 3】DBSCAN基于密度，可识别任意形状簇和噪声，无需预设簇数。
8. 【关键点 4】层次聚类生成树状结构，适合需要可视化簇层次关系的场景。
9. 【关键点 5】算法选择需权衡数据特征与计算成本。
10. 【易错点 1】K-Means对初始质心和离群点敏感，可能收敛到局部最优。
11. 【易错点 2】DBSCAN的邻域半径和最小样本数参数难以确定，影响聚类结果。
12. 【易错点 3】不能简单将聚类结果直接用于业务决策，需结合领域知识验证簇的合理性。