（1）定义 将样本划分为由类似的对象组成的多个类的过程。聚类后，我们可以更加准确的在每个类中单独使用统计模型进行估计、分析或预测；也可以探究不同类之间的相关性和主要差异。 同时也要区分于分类模型，分类已知类别，聚类不知道，只是简单的分类，下面来看看如何更好实现。 （2）步骤 1.指定需要划分的簇的个数的K值，类的个数。 2.随机地选择K个数据据对象作为初始的聚类中心，不一定要是我们的样本点。 3.计算其余的各个数据对象到这K个初始聚类中心的距离，把数据对象划归到距离它最近的那个中心所在的簇类中。 4.调整新类并且重新计算出新类的中心。 5.循环3和4，看中心是否收敛，如果收敛或者达到迭代次数就停止循环。 （3）优缺点 优点： （1）算法简单、快速。 （2）对处理大数据集，该算法是相对高效率的。 缺点： （1）要求用户必须事先给出要生成的簇的数目K。 （2）对初值敏感。 （3）对于孤立点数据敏感。 其中第二个和第三个可以通过k-means++来解决，即通过选取更好的初始值点。

有区别的是初始化K个聚类中心这个步骤，要求初始的聚类中心之间的相互距离要尽可能的远。。

那么还有上面算法可以不需要指定一个k就可以呢？ 采用下面的系统层次聚类就可以了。

（1）定义 系统聚类的合并算法通过计算两类数据点间的距离，对最为接近的两类数据点进行组合，并反复迭代这一过程，直到将所有数据点合成一类，并生成聚类谱系图。 （2）系统（层次）聚类的算法流程： 一、将每个对象看作一类，计算两两之间的最小距离； 二、将距离最小的两个类合并成一个新类； 三、重新计算新类与所有类之间的距离； 四、重复二三两步，直到所有类最后合并成一类； 五、结束。

（1）欧式距离就是我们正常求的距离，绝对值距离多用在网状距离 那么现在我们怎么定义指标和指标之间的距离呢：相关系数或者是夹角余弦 把数据放在平面上，把接近的点分为一个类，对于类和类之间的距离，就有样本取距离，把接近的点分为一类。 （2)类和类之间的距离

(3)总结 系统聚类的流程图在于选取类后再看类和类之间的距离，进行一定的调整，合并计算距离，如果距离小就聚成了一类，再计算类相互之间的距离看能不能聚在一起 再看里面点之间的距离，再看看新类和其余各类之间的距离，得到新的距离矩阵 最后使得矩阵中只有一个元素

1.不同方法的差别在于计算新类和其余各类之间的距离方法，分类的目的选择指标，样品间距离定义方式，聚类方法。尤其是样品特别多的时候最好可以通过各种方法找出其中的共性。 2.要注意指标的量纲，差别太大会导致聚类的结果不合理，需要标准化处理 3.得到的结果可能不满意，因为可能只是做的是数学上的处理，还需要对结果有一个合理的解释就，如果不可以的话可以去换一种方法。

我们最后还可以根据谱系图来决定最后分为多少个类。 可以看到不同的k可以得到不同的结果，最后取决于如何划分。

确定完k后就可以保存聚类结果然后画图了

基于密度的聚类算法，聚类前不需要预先指定聚类的个数，生成的簇不稳定，可以生成特定的图形，一定区域内包含的对象不少于一定的阈值。 在具有噪声的空间数据库中发现容易形状的簇，可以把密度足够大的相邻区域连接，可以有效处理异常数据（有偏移的点） 从图中可以看成，这个算法比较适合形状独特的图形。

DBSCAN算法将数据点分为三类： • 核心点：在半径Eps内含有不少于MinPts数目的点 • 边界点：在半径Eps内点的数量小于MinPts，但是落在核心点的邻域内 • 噪音点：既不是核心点也不是边界点的点

优点：

缺点：