数据挖掘聚类算法概述（有待完善）

1：聚类概念

聚类是一个把数据对象划分为多个簇或者多个组的过程，使得一个簇内的对象具有很高的相似性，但与其他簇内的对象不相似。聚类算法属于无监督学习

2：聚类分析概念

 聚类分析是一个把数据对象划分为子集的过程，每个子集是一个簇，使得簇中的对象彼此相似，但与其他簇中的对象不相似，由聚类分析产生簇的集合叫做聚类。至关重要的区别是，聚类可以自动地发现这些分组是聚类分析的突出优点。

3：应用场景

1：客户分类

2：文本分类

3：基因识别

4：空间数据处理

5：卫星图片识别

6：数据分析，统计学，机器学习，空间数据库技术，生物学和市场学

4：聚类的依据--距离

聚类分析是研究对样本或变量的聚类，在进行聚类的时候，方法很多，而这些方法的选择往往与变量的类型是有关的，由于数据的来源以及测量方法的不同，变量大致可以分为两类：

1）定量变量：可就是通常所说的连续变量

2）定性变量：这些量并非真有数量上的变化，而只有性质上的差异，这些变量可以分为有序变量和名义变量

对于连续型变量，有一些典型的距离定义：

绝对值距离	绝对值距离是在一维空间下进行的距离计算
欧式距离	欧式距离是在二维空间下进行的距离计算
闵可夫斯基距离	闵可夫斯基距离是在n维空间下进行的距离计算
切比雪夫距离	是闵可夫斯基距离在n取无穷大时的距离
Lance距离	减弱极端值的影响力

 公式自己百度吧...

5：基本聚类方法概述

聚类方法主要划分为：划分聚类，层次聚类，基于密度聚类，基于网格聚类，基于概率模型聚类

<

方法	一般特点
划分方法	1：发现球形互斥的簇 2：基于距离 3：可以用均值或中心点等代表簇中心 4：对中小规模数据集有效
层次方法	1：聚类是一个层次分解(即多层) 2：不能纠正错误的合并或分析 3：可以集成其他技术，如微聚类或考虑对象"连接"