1.基於劃分

k-means

優點：快速，簡單，高效

缺點：對異常值很敏感，並且只能尋找球形的聚類

k-medoids

優點：克服k-均值法的異常值敏感性問題

缺點：計算較為複雜，耗費的計算機時間比K-means多

2.基於層次

分為兩種：

劃分方法（自上而下） 聚集方法（自下而上）

大部分的分層方法是聚集的

代表演算法：BIRCH、CURE、ROCK和CHAMELEON

3.基於密度

優點： 能夠發現任意形狀的簇，克服了基於劃分聚類的缺點

代表演算法：DBSCAN，OPTICS，PreDeCon

OPTICS是DBSCAN的擴充套件，對使用者定義的引數不太敏感

PreDeCon是DBSCAN的擴充套件，對高維資料集效果更好

4.基於網格

基於網格的聚類方法將資料空間量化為多解析度網格結構。

網格結構包含許多單元，每個單元都有一個子空間，並在子空間中儲存資料物件的摘要資訊。

通過處理這種資料結構，聚類方法通常是快速的，並且與資料集的大小無關。

代表演算法：STINGWaveCluster（不適合高維資料）