什么是聚类？简单描述如下的聚类方法:划分方法，层次方法，基于密度的方法，基于模型的方法。为每类方法给出例子。

答:聚类是将数据划分为相似对象组的过程，使得同一组中对象相似度最大而不同组中对象相似度最小。

主要有以下几种类型方法:

(1)划分方法:

给定一个有N个元组或者记录的数据集，分裂法将构造K个分组，每一个分组就代表一个聚类，K<N。而且这K 个分组满足以下条件:第一，每一个分组至少包含一条记录；第二，每一条记录属于且仅属于一个分组(注意:这个要求在某些模糊聚类算法中可以放宽)；对于给定的K，算法首先给出一个初始的分组方法，以后通过反复迭代的方法改变分组，使得每一次改良之后的分组方案都较前一次好，而所谓好的标准就是:同一分组中的记录越近越好，而不同分组中的记录越远越好。  使用这个根本思想的算法有:K-MEANS算法、K-MEDOIDS算法、CLARANS 算法。

(2)层次方法:

这种方法对给定的数据集进展层次似的分解，直到某种条件满足为止。具体又可分为“自底向上"和“自顶向下"两种方案。例如在“自底向上"方案中，初始时每一个数据记录都组成一个单独的组，在接下来的迭代中，它把那些相互邻近的组合并成一个组，直到所有的记录组成一个分组或者某个条件满足为止。 代表算法有:BIRCH算法、CURE算法、CHAMELEON算法等。

(3)基于密度的方法:

基于密度的方法与其它方法的一个根本区别是:它不是基于各种各样的距离，而是基于密度的。这样就能克制基于距离的算法只能发现“类圆形"的聚类的缺点。这个方法的指导思想就是:只要一个区域中的点的密度大过某个闵值，就把它加到与之相近的聚类中去。

代表算法有:DBSCAN 算法、 OPTICS算法、DENCLUE算法等。

(4)基于模型的方法:

基于模型的方法给每一个聚类假定一个模型，然后去寻找能够很好的满足这个模型的数据。这样一个模型可能是数据点在空间中的密度分布函数或者其它。它的一个潜在假定就是:目标数据集是由一系列的概率分布所决定的。 基于模型的方法主要有两类:统计学方法和神经网络方法(SOM)。