1. Кластеризация - это метод обучения без учителя, который объединяет похожие объекты в группы без заранее заданных меток классов. В отличие от классификации, алгоритм не получает готовые правильные ответы для каждого объекта, а выявляет структуру данных на основе их признаков.

2. Алгоритм k-means распределяет объекты между кластерами и стремится минимизировать внутрикластерную сумму квадратов расстояний до центров кластеров. Его работа включает назначение точек ближайшим центроидам и последующий пересчёт центров. Количество кластеров k следует выбирать с учётом устойчивости и содержательности групп, а не только по графику elbow.

3. DBSCAN обнаруживает области высокой плотности объектов и способен выделять шумовые наблюдения, которые не относятся к найденным плотным группам. Иерархическая кластеризация формирует группы путём последовательного объединения объектов или кластеров. Эти методы используют разные принципы построения групп и могут давать различные результаты на одних и тех же данных.

4. PCA - метод снижения размерности, который находит ортогональные направления максимальной дисперсии данных. Эти направления называются главными компонентами. PCA позволяет представить данные меньшим количеством признаков. Если полученные компоненты используются в предсказательной модели, PCA необходимо обучать только на обучающей выборке, чтобы исключить утечку информации из тестовых данных.

5. Коэффициент силуэта применяется для оценки качества разделения объектов на кластеры. Масштабирование признаков важно, поскольку различия в числовых масштабах могут влиять на результаты алгоритмов, использующих расстояния. Интерпретация кластеров необходима для определения практического смысла найденных групп. При оценке результатов также учитываются устойчивость групп, шум измерений и возможный сдвиг распределения данных.