用途：处理没有目标列的表格数据，做聚类分组、异常检测和降维可视化；有标签时应改用监督学习技能，文本、图像、音频、时序数据规则不同。
主要能力：KMeans、GMM、DBSCAN 聚类；用轮廓系数（而非仅凭肘部法）选择 K；跨多个随机种子用 Adjusted Rand Index 做稳定性检验；IsolationForest 做异常检测（输出 -1 为异常）；PCA 用于高维数据降维、去噪和可视化。文中给出轮廓系数、ARI、Calinski-Harabasz、Davies-Bouldin、NMI 等评估指标，并说明 KMeans 假设凸形、球形、同尺度聚类，非凸或噪声多的数据应改用 DBSCAN，椭圆形聚类用 GMM。
使用方式：先做表格 EDA，确保特征为数值型并已编码、缺失值已处理、无泄漏；用 StandardScaler 标准化，再按轮廓系数选 K，做稳定性检查，最后聚类。高维（约 20 个以上特征）先用 PCA(n_components=0.90) 降维再聚类。异常检测示例：IsolationForest(contamination=0.02, random_state=42, n_jobs=-1)，predictions 为 -1 表示异常，也可用 score_samples。可视化用 PCA 2 维或 UMAP/t-SNE，但 UMAP 会改变点间距离，不应用作聚类前处理。示例代码见 demo.py（marimo 笔记本），用 make_blobs 与 make_moons 对比算法与数据形状。
适用场景：客户分群、为监督模型生成聚类特征、异常分诊、数据探索。
限制：无统一准确率指标，需要人工判断；聚类标签本身无默认含义，须查看各簇成员再解释；缺少 EDA、未标准化、只看肘部法、忽略稳定性、对非凸数据用 KMeans、contamination 设得过高、对低维干净数据做 PCA 等都是常见错误。相关收费、价格与平台支持情况暂未提供。