1.聚合聚類的策略是先將每個物件各自作為乙個原子聚類，然後對這些原子聚類逐層進行聚合，直至滿足一定的終止條件；後者則與前者相反，它先將所有的物件都看成乙個聚類，然後將其不斷分解直至滿足終止條件。
2.分割聚類演算法是另外一種重要的聚類方法。它先將資料點集分為 ! 個劃分，然後從這 ! 個初始劃分開始，通過重複的控制策略使某個準則最優化以達到最終的結果。
3.基於網格的聚類可以處理任意型別的資料，但以降低聚類的質量和準確性為代價，。clioue也是乙個基於網格的聚類演算法，它結合了網格聚類與密度聚類的思想，對於處理大規模高維資料具有較好的效果。
4.基於圖論的聚類乙個優點在於它不需要進行一些相似度的計算，就能把聚類問題對映為圖論中的乙個組合
優化問題。
6.最近鄰距離的計算
，通過只保留資料點的 " 個最近鄰居從而簡化了相似矩陣，
並且也保留了與每個資料點相連的最近鄰居的個數，但是其時
間複雜度也提高到了 o（$2
）（$ 為資料點個數）。
7.k-medoids 方法具有兩個優點：它能處理任意型別的屬性；它對異常資料不敏感。
原始k-means 演算法：①聚類結果的好壞依賴於對初始聚類中心的選擇；
②容易陷入區域性最優解；③對 " 值的選擇沒有準則可依循；④
對異常資料較為敏感；⑤只能處理數值屬性的資料，不能用於類別屬性的資料；⑤聚類結
果可能不平衡。
8.自組織對映具有兩個主要特點：!它是一種遞增的方法，即所有的資料點是逐一進行處理的；"它能將聚類中心點對映到乙個二維的平面上，從而實現視覺化。
9.在基於進化理論的聚類方法中，模擬退火的應用經常使用到微擾因子，其作用等同於把乙個點從當前的聚類重新分配到乙個隨機選擇的新類別中。
10.遺傳演算法也可以用於聚類處理，它主要通過選擇、交叉和變異這三種遺傳運算元的運算以不斷優化可選方案從而得到最終的聚類結果。
11.對高維資料聚類的困難主要**於以下兩個因素：!高維屬性空間中那些無關屬性的出現使得資料失去了聚類趨
勢；"高維使資料之間的區分界限變得模糊。除了降維這一最直接的方法之外，對高維資料的聚類處理還包括子空間聚類以及聯合聚類技術等。
12.子空間聚類的思想，它基於對原始空間
在二維平面上的乙個投影處理。
13.聯合聚類對資料點和它們的屬性同時進行聚類。
聚類演算法綜述
資料分析對於各種現象的理解起著不可或缺的作用。聚類分析，是有很少的或沒有先驗知識的原始探索，包括跨多種社群的開發研究。多樣性，一方面給了我們許多任務具，另一方面，太多的選項也給了我們很多迷惑。我們的調查統計中出現資料集的聚類演算法 計算機 機器學習，並說明其應用在一些基準資料集，旅行推銷員問題，生物...
聚類演算法資料探勘（五） 聚類
首先宣告，我是乙個菜鳥。一下文章中湧現技術誤導情況蓋不負責 聚類是資料探勘描述任務的乙個主要組成部分。資料探勘任務包括描述性任務和 性任務兩種。描述性任務包括聚類 關聯分析 序列 異常檢測等，性任務包括回歸和分類。聚類 將資料物件分別為若干類，同一類的物件具有較高的相似度，不同類的物件相似度較低。從...
資料探勘 K Means聚類演算法
聚類分析是根據資料本身結構特徵對資料點進行分類的方法。實質是按照彼此距離 的遠近將資料分為若干個類別，以使得類別內資料的 差異性 盡可能小 即 同質 性 盡可能大 類別間 差異性 盡可能大。聚類的目標 將一組資料分成若干組，組 內資料是相似的，而組間資料是有較明顯 差異。與分類區別 分類與聚類最大的...