无监督聚类算法

划分聚类
K-means 聚类： k-Means算法，也被称为k-平均或k-均值，是一种广泛使用的聚类算法， 或者成为其他聚类算法的基础。k-means 对初值敏感，可以使用 k-mediods聚类（k-中值聚类），选择较好的聚类初值：k-means++算法， 不同与K-Means算法随机选择聚类中心，K-Means++算法按距离加权来初始化聚类中心。 这样初始化的各个聚类中心不一定是距离最远（因为是每次是以概率的来选聚类中心），但肯定不近。
总结：
优点：
是解决聚类问题的一种经典算法，简单、快速。
对处理大数据集，该算法保持可伸缩性和高效率。
当簇近似为高斯分布时，它的效果较好。
缺点：
必须事先给出K值，而且对初值敏感，对于不同的初值可能产生不同的结果
不适合发现非凸形状的簇或者大小差别很大的簇

层次聚类：
1. 凝聚的层次聚类

一种自底向上的策略，首先将每个对象作为一个簇，然 后合并这些原子簇为越来越大的簇，直到某个终结条件 被满足。AGNES (AGglomerative NESting)算法最初将每个对 象作为一个簇，然后这些簇根据某些准则被一步步 地合并。两个簇间的距离由这两个不同簇中距离最 近的数据点对的相似度来确定；聚类的合并过程反 复进行直到所有的对象最终满足簇数目。
2. 分裂的层次聚类分裂的层次聚类
采用自顶向下的策略，它首先将所有对象臵于一个簇中， 然后逐渐细分为越来越小的簇，直到达到了某个终结条件。DIANA (DIvisive ANAlysis)算法是上述过程的反过程，属于分裂的层次聚类，首先将所有的对象初始化到一个簇中，然后根据一些原则(比如最大的欧式距离)，将该簇分类。直到到达用户指定的簇数目或者两个簇之间的距离超过了某个阈值。

密度聚类：
密度聚类方法的指导思想是，只要样本点的密度 大于某阈值，则将该样本添加到最近的簇中。例如DBSCAN算法。
谱聚类：
谱聚类是一种基于图论的聚类方法，通过对样本数据的拉普拉斯矩阵的特征向量 进行聚类，从而达到对样本数据聚类的目的。