挖掘建模--聚类分析

与分类不同，聚类分析是在没有给定划分类别的情况下，根据数据相似度进行样本分组的一种方法。，聚类模型可以建立在无类标记的数据上，是一种非监督的学习算法。聚类的输入是一组为被标记的样本，聚类根据数据自身的距离或相似度将其划分为若干组，划分的原则是组内距离最小化而组间距离最大化。

常用聚类方法

类别	包括的主要算法
划分方法	K-Means算法，K-MEDOIDS算法，CLARANS算法
层次分析方法	BIRCH算法，CURE算法，CHAMELEON算法
基于密度的方法	DBSCAN算法，DENCLUE算法，OPTICS算法
基于网格的方法	STING算法，CLIOUE算法，WAVE-CLUSTER算法
基于模型的方法	统计学方法，神经网络方法

常用聚类分析算法

算法名称	算法描述
K-Means算法 （均值）	快速聚类法，在最小化误差函数的基础上将数据划分为预定的类数K
K-MEDOIDS算法（中心点）	不采用簇中对象的平均值作为簇中心，而选用簇中离平均值最近的对象作为簇中心
系统聚类	又称为多层次聚类，分类的单位由高到低呈树形结