Le regroupement d’échantillons liés est généralement utilisé pour l’apprentissage non supervisé. Une fois tous les échantillons regroupés, les chercheurs peuvent ensuite éventuellement attribuer une signification à chaque groupe.

Il existe de nombreux algorithmes de clustering. Par exemple, l'algorithme k-means regroupe les échantillons en fonction de la proximité des échantillons par rapport au centroïde, comme illustré dans la figure suivante :

Les chercheurs peuvent ensuite visualiser ces groupes et effectuer d’autres opérations, comme étiqueter le groupe 1 comme « arbres nains » et le groupe 2 comme « arbres de taille normale ».