以下哪种算法属于非监督学习？()A. 支持向量机B. 决策树C. K-近邻算法D. K-means聚类

本题考查机器学习机器学习中监督学习和非监督学习算法的区分，解题思路是明确监督学习和非监督学习的定义，然后分析每个选项所属的学习类型。

• 监督学习：是指利用一组已知类别的样本调整分类，以预测新样本的类别。监督学习需要有标记好的数据，即每个样本都有对应的标签。
• 非监督学习：** 是指在没有标签的数据集上进行训练，目的是发现数据中的内在结构、模式或规律。

下面对每个选项进行分析如下：

• A. 支持向量机：支持向量机（SVM）是一种有监督的学习模型，它通过寻找一个超平面来对不同类别的数据进行分类。在训练过程中，需要使用带有标签的训练数据来确定这个超平面的位置和方向等参数，以使得不同类别的数据能够被尽可能准确地分开。所以支持向量机属于监督学习。
• B. 决策树：决策树是一种基于树结构进行决策的有监督学习算法。它通过对训练数据的学习，构建出一个决策树树模型，该模型可以根据输入数据的特征进行分类或回归。在构建决策树的过程中，需要使用带有标签的训练数据来确定每个内部节点的划分规则，以使得决策树能够对不同类别的数据进行准确的分类。所以决策树属于监督学习。
• C. K-近邻算法：K-近邻（K-NN）算法是一种基本的分类与回归方法，它也是有监督学习算法。在进行分类或回归时，K-NN算法会根据输入样本与训练数据集中各个样本的距离，选择距离最近的K个样本，然后根据这K个样本的类别或数值来确定输入样本的类别或数值。在这个过程中，需要使用带有标签的训练数据来进行距离计算和分类决策。所以K-近邻算法属于监督学习。
• D. K-means聚类：K-means聚类是一种无监督学习算法，它的目标是将数据集中的样本划分为K个不同的簇，使得同一簇内的样本之间的相似度较高，不同簇之间的相似度较低。在聚类过程中，不需要使用带有标签的数据，而是通过不断迭代更新簇的中心，使得每个样本都能够被分配到距离最近的簇中。所以K-means聚类属于非监督学习。