用 Figure 5.1 的 Mario Kart 64 二維資料直觀理解 Clustering。
理解 Similarity、Distance、Within-cluster closeness 與 Between-cluster separation。
原書以 Mario Kart 64 的 8 個角色，用 Strength（x-axis）與 Speed（y-axis）呈現二維資料。
| 項目 | 原書設定 |
|---|---|
| Objects | 8 個角色 |
| x-axis | Strength |
| y-axis | Speed |
| 自然群組 | 3 群 |
在二維空間依角色間的相似性辨識自然群組，再把同樣概念延伸到高維資料的 Algorithmic Clustering。
原書辨識三群：Fast but weak、Strong but slow、Balanced；沒有列出每位角色的完整座標值。
二維資料人眼可直接分群；當資料具有數百或數千 Dimensions 時，Clustering 的價值在於揭露人眼不可見的 underlying structure。
「根據我提供的 Strength 與 Speed 資料，描述可能的自然群組；若沒有座標值，不要自行配置角色。」
題目： 為何資料增加到數百個 Dimensions 後不能只靠人眼分群？
參考解答： 原書指出二維可直接視覺辨識，但高維資料的 underlying structure 無法由人眼直接觀察。