1.基于划分
k-means
优点：快速，简单，高效
缺点：对异常值很敏感，并且只能寻找球形的聚类
k-medoids
优点：克服k-均值法的异常值敏感性问题
缺点：计算较为复杂，耗费的计算机时间比K-means多
2.基于层次
分为两种：
划分方法（自上而下） 聚集方法（自下而上）
大部分的分层方法是聚集的
代表算法：BIRCH、CURE、ROCK和CHAMELEON
3.基于密度
优点： 能够发现任意形状的簇，克服了基于划分聚类的缺点
代表算法：DBSCAN，OPTICS，PreDeCon
OPTICS是DBSCAN的扩展，对用户定义的参数不太敏感
PreDeCon是DBSCAN的扩展，对高维数据集效果更好
4.基于网格
基于网格的聚类方法将数据空间量化为多分辨率网格结构。
网格结构包含许多单元，每个单元都有一个子空间，并在子空间中存储数据对象的摘要信息。
通过处理这种数据结构，聚类方法通常是快速的，并且与数据集的大小无关。
代表算法：STING WaveCluster（不适合高维数据）