聚类分析是在没有给定划分类别的情况下，根据数据相似度进行样本分组的一种方法。与分类模型需要使用有类标记样本构成的训练数据不同，聚类模型可以建立在无类标记的数据上，是一种非监督的学习算法。聚类的输入是一组未被标记的样本，聚类根据数据自身的距离或相似度将其划分为若干组，划分的原则是组内距离最小化而组件（外部）距离最大化。
常用聚类方法
|
类别 |
包括的主要算法 |
|
划分（分裂）方法 |
K-Means算法（K-平均）、K-MEDOIDS算法（K-中心点）、CLARANS算法（基于选择的算法） |
|
层次分析方法 |
BIRCH算法（平衡迭代规约和聚类）、CURE（代表点聚类）、CHAMELEON算法（动态模型） |
|
基于密度的方法 |
DBSCAN算法（基于高密度连接区域）、DENCLUE算法（密度分布函数）、OPTICS算法（对象排序识别） |
|
基于网格的方法 |
STING算法（统计信息网络）、CLIOUE算法（聚类高维空间）、WAVE-CLUSTER算法（小波变换） |
|
基于模型的方法 |
统计学方法，神经网络方法 |
常用聚类分析算法
|
算法名称 |
算法描述 |
|
K-Means |
K-均值聚类也称为快速聚类法，在最小化误差函数的基础上将数据划分为预定的类数K。该算法原理简单并便于处理大量数据。 |
|
K-中心点 |
K-均值算法对孤立点的敏感性，K-中心点算法不采用簇中对象的平均值作为簇中心，而选用簇中离平均值最近的对象作为簇中心 |
|
系统聚类 |
系统聚类也称为多层次聚类，分类的结构由高到低呈树形结构，并且所处的位置越低，其所包含的对象就越少，但这些对象间的共同特征越多。该聚类方法只适合在小数据量时候使用，数据量大的时候速度会非常慢。 |