聚类分析：把数据对象划分成子集的过程，每个子集是一个簇。
（1）划分方法
==发现球形互斥的簇
==基于距离
==可以使用均值或中心点等代表簇中心
==对中小规模数据集有效
----------------k-均值
----------------k-中心点
（2）层次方法
==聚类是一个层次分解
==不能纠正错误的合并或划分
==可以集成其他技术
=聚与分裂的层次聚类
----------------BIRCH：聚类特征树的多阶段聚类
----------------Chameleon：动态建模的多阶段层次聚类
概率层次聚类
（3）基于密度的方法
==可以发现任意形状的簇
==簇是对象空间中被低密度区域分隔的稠密区域
==簇密度
==可能过滤离群点
----------------dbscan：高密度连通区域的基于密度的聚类
----------------optics：点排序
----------------denclue：基于密度分布
（4）基于网格的方法
==使用一种多分辨率网格数据结构
==快速处理
----------------sting：统计信息网格
----------------clique：类似于apriori的子空间聚类
（5）基于概率模型
假定每个簇是一个有参分布。
模糊簇
············模糊聚类又叫做软聚类。
（6）聚类高维数据
子空间聚类方法
维规约方法
（7）聚类图和网络数据
割（cut）C=(S,T)是图G的顶点V的一个划分，使V=SUT且S∩T=空,最稀疏的割导致好的聚类。
scan(structural clustering algorithm for network 网络的结构聚类算法)
DBSCAN
（8）具有约束的聚类
===========约束
实例上的约束（必须联系约束（must-link constraint）、不能联系约束（cannot-link contraint））
簇上的约束
相似性度量上的约束
==========聚类方法
处理硬性约束（严格遵守约束）
处理软性约束（违反必须联系的罚，违樊不能联系的罚）
