基本聚类算法

KMeans   ：初始随机设置K（k代表要凝聚的簇的个数）个质心，遍历每一个数据点，将其划分归于距它最近的质心，遍历完成之后，重新计算每个簇的质心，直至前后两次簇的质心变化不大。

优点： K均值简单有效，适合大多数数据类型，可多次运行。

缺点： 并不适合所有数据类型，不能处理非球形簇。K均值仅限于具有中心（质心）概念的数据。

凝聚层次聚类： 合并两个最接近的簇，更新邻接矩阵，以反映新的簇与原来的簇之间的临近性，重复这个过程，直至只剩一个簇。

优点：能够产生较高质量的聚类

缺点：计算和存储需求高，所有的合并都是最终的。先试用其他级数进行部分聚类可以解决这类问题。

DBSCAN： 任意两个足够靠近（距离在指定参数Eps之内）的核心点（给定邻域内(Eps)点的个数超过指定参数MinPts,）将放在同一个簇中。

优点：因为本身基于密度，因此可对抗噪声，能够处理任意形状的簇

缺点：当簇的密度变化太大时，这种算法不太适合，另外对于高维数据，密度不容易定义，处理困难。