系统聚类属于 无监督学习算法，其核心特点如下：

无监督学习属性

系统聚类不需要预先标记的标签或目标变量，通过数据本身的相似性进行分组。

层次聚类方法

通过构建树状结构（如树状图或谱系图）展示数据点间的层次关系，分为两种类型：

凝聚性聚类（Agglomerative Clustering）：

自底向上合并相似样本，形成由小到大的簇；

分裂性聚类（Divisive Clustering）：自顶向下分裂簇，形成由大到小的类。

应用场景

常用于生物学分类、社交网络分析、市场细分等领域，帮助揭示数据的内在结构或关联关系。

局限性

数据量较大时计算效率较低，通常适用于中小规模数据集。

与 监督学习（如K-means）不同，系统聚类不依赖标签，而是通过距离度量（如欧氏距离、曼哈顿距离）自动发现数据模式。