看书的时候，遇到点疑惑：
在做supervised learning的时候，我们将数据集分割成training和testing两个部分.
那么在unsupervised learning的时候，比如clustering，有必要分割成training和testing吗？看到一本书上写在构建了clustering的模型以后，也需要找个disjoint的数据集来测试模型的consistency。
书里也没明说这个consistency指的是什么，所以不太明白。
总感觉没必要分割吧，supervised learning里面分割是为了防止training的时候overfitting吧，clustering没有label，无所谓训练不训练...
假设分割成两部分(80%-20%)，在80%上用K-means，得到n个clusters最合适，然后用这个模型去聚类那剩下的20%？聚类完成了怎么检验呢？是看这20%的数据上得到的cluster的特征和80%得到的有没有差别吗？
那我把所有数据合在一起的时候，n个cluster说不定就不是最合适的了...呃到底要怎么做呢？求指导，谢谢。
