聚類分析是數(shù)據(jù)挖掘中的一個很活躍的研究領(lǐng)域，并提出了許多聚類算法。
這些算法可以被分為劃分方法、層次方法、基于密度方法、基于網(wǎng)格方法和
基于模型方法。
1 劃分方法(PAM:PArtitioning method) 首先創(chuàng)建k個劃分，k為要創(chuàng)建的劃分個數(shù)；然后利用一個循環(huán)
定位技術(shù)通過將對象從一個劃分移到另一個劃分來幫助改善劃分質(zhì)量。典型的劃分方法包括：
k-means,k-medoids,CLARA(Clustering LARge Application),
CLARANS(Clustering Large Application based upon RANdomized Search).
FCM
2 層次方法(hierarchical method) 創(chuàng)建一個層次以分解給定的數(shù)據(jù)集。該方法可以分為自上
而下（分解）和自下而上（合并）兩種操作方式。為彌補分解與合并的不足，層次合
并經(jīng)常要與其它聚類方法相結(jié)合，如循環(huán)定位。典型的這類方法包括：
第一個是;BIRCH(Balanced Iterative Reducing and Clustering using Hierarchies) 方法，它首先利用樹的結(jié)構(gòu)對對象集進行劃分；然后再利
用其它聚類方法對這些聚類進行優(yōu)化。
第二個是CURE(Clustering Using REprisentatives) 方法，它利用固定數(shù)目代表對象來表示相應(yīng)聚類；然后對各聚類按照指定
量（向聚類中心）進行收縮。
第三個是ROCK方法，它利用聚類間的連接進行聚類合并。
最后一個CHEMALOEN，它則是在層次聚類時構(gòu)造動態(tài)模型。
3 基于密度方法，根據(jù)密度完成對象的聚類。它根據(jù)對象周圍的密度（如
DBSCAN）不斷增長聚類。典型的基于密度方法包括：
DBSCAN(Densit-based Spatial Clustering of Application with Noise):該算法通過不斷生長足夠高密
度區(qū)域來進行聚類；它能從含有噪聲的空間數(shù)據(jù)庫中發(fā)現(xiàn)任意形狀的聚類。此方法將一個聚類定義
為一組“密度連接”的點集。
OPTICS(Ordering Points To Identify the Clustering Structure):并不明確產(chǎn)生一
個聚類，而是為自動交互的聚類分析計算出一個增強聚類順序。。
4 基于網(wǎng)格方法，首先將對象空間劃分為有限個單元以構(gòu)成網(wǎng)格結(jié)構(gòu)；然后利
用網(wǎng)格結(jié)構(gòu)完成聚類。
STING(STatistical INformation Grid) 就是一個利用網(wǎng)格單元保存的統(tǒng)計信息進行基
于網(wǎng)格聚類的方法。
CLIQUE(Clustering In QUEst)和Wave-Cluster 則是一個將基于網(wǎng)格與基于密度相結(jié)合的方
法。
5 基于模型方法，它假設(shè)每個聚類的模型并發(fā)現(xiàn)適合相應(yīng)模型的數(shù)據(jù)。典型的
基于模型方法包括：
統(tǒng)計方法COBWEB:是一個常用的且簡單的增量式概念聚類方法。它的輸入對象是采
用符號量（屬性-值）對來加以描述的。采用分類樹的形式來創(chuàng)建
一個層次聚類。
CLASSIT是COBWEB的另一個版本.。它可以對連續(xù)取值屬性進行增量式聚
類。它為每個結(jié)點中的每個屬性保存相應(yīng)的連續(xù)正態(tài)分布（均值與方差）；并利
用一個改進的分類能力描述方法，即不象COBWEB那樣計算離散屬性（取值）
和而是對連續(xù)屬性求積分。但是CLASSIT方法也存在與COBWEB類似的問題。
因此它們都不適合對大數(shù)據(jù)庫進行聚類處理.