k-means：

是一種典型的劃分聚類(lèi)算法，它用一個(gè)聚類(lèi)的中心來(lái)代表一個(gè)簇，即在迭代過(guò)程中選擇的聚點(diǎn)不一定是聚類(lèi)中的一個(gè)點(diǎn)，該算法只能處理數(shù)值型數(shù)據(jù)

k-modes：

K-Means算法的擴(kuò)展，采用簡(jiǎn)單匹配方法來(lái)度量分類(lèi)型數(shù)據(jù)的相似度

k-prototypes：

結(jié)合了K-Means和K-Modes兩種算法，能夠處理混合型數(shù)據(jù)

k-medoids：

在迭代過(guò)程中選擇簇中的某點(diǎn)作為聚點(diǎn)，PAM是典型的k-medoids算法

CLARA：

CLARA算法在PAM的基礎(chǔ)上采用了抽樣技術(shù)，能夠處理大規(guī)模數(shù)據(jù)

CLARANS：

CLARANS算法融合了PAM和CLARA兩者的優(yōu)點(diǎn)，是第一個(gè)用于空間數(shù)據(jù)庫(kù)的聚類(lèi)算法

Focused CLARAN：

采用了空間索引技術(shù)提高了CLARANS算法的效率

PCM：

模糊集合理論引入聚類(lèi)分析中并提出了PCM模糊聚類(lèi)算法

CURE：

采用抽樣技術(shù)先對(duì)數(shù)據(jù)集D隨機(jī)抽取樣本，再采用分區(qū)技術(shù)對(duì)樣本進(jìn)行分區(qū)，然后對(duì)每個(gè)分區(qū)局部聚類(lèi)，最后對(duì)局部聚類(lèi)進(jìn)行全局聚類(lèi)

ROCK：

也采用了隨機(jī)抽樣技術(shù)，該算法在計(jì)算兩個(gè)對(duì)象的相似度時(shí)，同時(shí)考慮了周?chē)鷮?duì)象的影響

CHEMALOEN（變色龍算法）：

首先由數(shù)據(jù)集構(gòu)造成一個(gè)K-最近鄰圖Gk ,再通過(guò)一個(gè)圖的劃分算法將圖Gk 劃分成大量的子圖,每個(gè)子圖代表一個(gè)初始子簇,最后用一個(gè)凝聚的層次聚類(lèi)算法反復(fù)合并子簇，找到真正的結(jié)果簇

SBAC：

SBAC算法則在計(jì)算對(duì)象間相似度時(shí)，考慮了屬性特征對(duì)于體現(xiàn)對(duì)象本質(zhì)的重要程度，對(duì)于更能體現(xiàn)對(duì)象本質(zhì)的屬性賦予較高的權(quán)值

BIRCH：

BIRCH算法利用樹(shù)結(jié)構(gòu)對(duì)數(shù)據(jù)集進(jìn)行處理，葉結(jié)點(diǎn)存儲(chǔ)一個(gè)聚類(lèi)，用中心和半徑表示，順序處理每一個(gè)對(duì)象，并把它劃分到距離最近的結(jié)點(diǎn)，該算法也可以作為其他聚類(lèi)算法的預(yù)處理過(guò)程

BUBBLE：

BUBBLE算法則把BIRCH算法的中心和半徑概念推廣到普通的距離空間

BUBBLE-FM：

BUBBLE-FM算法通過(guò)減少距離的計(jì)算次數(shù)，提高了BUBBLE算法的效率

DBSCAN：

DBSCAN算法是一種典型的基于密度的聚類(lèi)算法，該算法采用空間索引技術(shù)來(lái)搜索對(duì)象的鄰域，引入了“核心對(duì)象”和“密度可達(dá)”等概念，從核心對(duì)象出發(fā)，把所有密度可達(dá)的對(duì)象組成一個(gè)簇

GDBSCAN：

算法通過(guò)泛化DBSCAN算法中鄰域的概念，以適應(yīng)空間對(duì)象的特點(diǎn)

OPTICS：

OPTICS算法結(jié)合了聚類(lèi)的自動(dòng)性和交互性，先生成聚類(lèi)的次序，可以對(duì)不同的聚類(lèi)設(shè)置不同的參數(shù)，來(lái)得到用戶(hù)滿意的結(jié)果

FDC：

FDC算法通過(guò)構(gòu)造k-d tree把整個(gè)數(shù)據(jù)空間劃分成若干個(gè)矩形空間，當(dāng)空間維數(shù)較少時(shí)可以大大提高DBSCAN的效率

STING：

利用網(wǎng)格單元保存數(shù)據(jù)統(tǒng)計(jì)信息，從而實(shí)現(xiàn)多分辨率的聚類(lèi)

WaveCluster：

在聚類(lèi)分析中引入了小波變換的原理，主要應(yīng)用于信號(hào)處理領(lǐng)域。（備注：小波算法在信號(hào)處理，圖形圖像，加密解密等領(lǐng)域有重要應(yīng)用，是一種比較高深和牛逼的東西）

CLIQUE：

是一種結(jié)合了網(wǎng)格和密度的聚類(lèi)算法

自組織神經(jīng)網(wǎng)絡(luò)SOM：

該方法的基本思想是--由外界輸入不同的樣本到人工的自組織映射網(wǎng)絡(luò)中，一開(kāi)始時(shí)，輸入樣本引起輸出興奮細(xì)胞的位置各不相同，但自組織后會(huì)形成一些細(xì)胞群，它們分別代表了輸入樣本，反映了輸入樣本的特征

COBWeb：

COBWeb是一個(gè)通用的概念聚類(lèi)方法，它用分類(lèi)樹(shù)的形式表現(xiàn)層次聚類(lèi)

AutoClass：

是以概率混合模型為基礎(chǔ)，利用屬性的概率分布來(lái)描述聚類(lèi)，該方法能夠處理混合型的數(shù)據(jù)，但要求各屬性相互獨(dú)立