kmeans ：初始隨機設定k（k代表要凝聚的簇的個數）個質心，遍歷每乙個資料點，將其劃分歸於距它最近的質心，遍歷完成之後，重新計算每個簇的質心，直至前後兩次簇的質心變化不大。
優點： k均值簡單有效，適合大多數資料型別，可多次執行。
缺點： 並不適合所有資料型別，不能處理非球形簇。k均值僅限於具有中心（質心）概念的資料。
凝聚層次聚類： 合併兩個最接近的簇，更新鄰接矩陣，以反映新的簇與原來的簇之間的臨近性，重複這個過程，直至只剩乙個簇。
優點：能夠產生較高質量的聚類
缺點：計算和儲存需求高，所有的合併都是最終的。先試用其他級數進行部分聚類可以解決這類問題。
dbscan： 任意兩個足夠靠近（距離在指定引數eps之內）的核心點（給定鄰域內(eps)點的個數超過指定引數minpts,）將放在同乙個簇中。
優點：因為本身基於密度，因此可對抗雜訊，能夠處理任意形狀的簇
缺點：當簇的密度變化太大時，這種演算法不太適合，另外對於高維資料，密度不容易定義，處理困難。
聚類演算法 近鄰聚類演算法
time is always too short for those who need it,but for those who love,it lasts forever.dracula untold 近鄰聚類法同樣是一種基於距離閾值的聚類演算法。coding utf 8 近鄰聚類演算法的pyth...
聚類演算法 層次聚類演算法
層次聚類演算法 hierarchical clustering method 又稱為系統聚類法 分級聚類法。層次聚類演算法又分為兩種形式 凝聚層次聚類 首先將每個物件作為乙個簇，然後合併這些原子簇為越來越大的簇，直到某個終結條件被滿足。層次聚類 首先將所有物件置於乙個簇中，然後逐漸細分為越來越小的簇...
基本k mean聚類的文字聚類演算法原理和例子
基於質心的劃分方法是研究最多的演算法，包括k mean聚類演算法及其各種變體，這些變體依據初始簇的選擇，物件的劃分 相識度的計算方法 簇中心的計算方法不同而不同。基於質心的劃分方法將簇中所有物件的平均值看做簇的質心，根據乙個資料物件與簇質心的距離，將該物件賦予最近的簇。在這類方法中，需要給定劃分的簇...