（1）系統聚類
系統聚類是將每個樣品分成若干類的方法，其基本思想是：先將各個樣品各看成一類，然後規定類與類之間的距離，選擇距離最小的一對合併成新的一類，計算新類與其他類之間的距離，再將距離最近的兩類合併，這樣每次減少一類，直至所有的樣品合為一類為止。
·聚類方法：
最短距離法和最長距離法、重心法和類平均法、離差平方和法（ward方法）
·分類數的確定（德穆曼準則）：
（1）任何類都必須在鄰近各類中是突出的，即各類重心之間距離必須大
（2）各類所包含的元素不應過多
（3）分類的數目應該符合使用目的
（4）若採用幾種不同的聚類方法處理，則在各自的聚類圖上應發現相同的類
·流程圖：
（2）模糊聚類
模糊聚類分析是一種採用模糊數學語言對事物按一定的要求進行描述和分類的數學方法。模糊聚類分析一般是指根據研究物件本身的屬性來構造模糊矩陣，並在此基礎上根據一定的隸屬度來確定聚類關係，使得各個類之間的資料差別應盡可能大，類內之間的資料差別應盡可能小。
（3）k-均值法（快速聚類）
k均值聚類演算法（k-means）是一種迭代求解的聚類分析演算法，其步驟是隨機選取k個物件作為初始的聚類中心，然後計算每個物件與各個種子聚類中心之間的距離，把每個物件分配給距離它最近的聚類中心。聚類中心以及分配給它們的物件就代表乙個聚類。每分配乙個樣本，聚類的聚類中心會根據聚類中現有的物件被重新計算。這個過程將不斷重複直到滿足某個終止條件。終止條件可以是沒有（或最小數目）物件被重新分配給不同的聚類，沒有（或最小數目）聚類中心再發生變化，誤差平方和區域性最小。
·步驟（1）先把樣品粗略分成k個初始類
（2）進行修改，之歌分派樣品到其最近均值的類中。重新計算接受新樣品的類和失去樣品的類的均值
（3）重複（2）步，直到無各類元素進出
（5）流程圖
（6）r語言 案例實現
data(wine,package=「rattle」) #採集資料
df=scale(wine[-1]) #刪除第一列後標準化處理d=dist(df) #計算矩陣距離
#系統聚類
fit.ward=hclust(d,method=「ward.d」) # ward表示離差平方和法
plot(fit.ward) #聚類圖
clusters=cutree(fit.ward,k=3) #把樹狀圖分成三類
table(clusters) #系統聚類規模
aggregate(df,by=list(cluster=clusters),median) #median為中間距離法，by後要構造list
rect.hclust(fit.ward,k=3) #在樹狀圖中疊加分三類的結果#k值聚類set.seed(1234) #設定隨機數
fit.km=kmeans(df,3,nstart=20)
fit.kmkatex parse error: expected 'eof', got '#' at position 7: size #̲k值聚類規模 fit.kmcenters
R語言聚類演算法之k中心聚類 K medoids
1.原理解析 針對k 均值演算法易受極值影響這一缺點的改進演算法.在原理上的差異在於選擇個類別中心點時不採樣本均值點,而在類別內選取到其餘樣本距離之和最小的樣本為中心。2.在r語言中的應用 k中心聚類 k medoids 主要運用到了r語言中cluster包 r語言內建包 中的pam函式。pam x...
R語言 密度聚類
動態聚類往往聚出來的類有點圓形或者橢圓形。基於密度掃瞄的演算法能夠解決這個問題。思路就是定乙個距離半徑，定最少有多少個點，然後把可以到達的點都連起來，判定為同類。在r中的實現 library fpc newiris ds showplot t,method raw 畫出來明顯不對 把距離調小了一點 ...
聚類演算法之K均值聚類
k means聚類方法 1.介紹 k均值聚類是基於樣本集合劃分的聚類演算法。由於每個樣本在劃分的過程中只能屬於乙個類別，所以k means演算法屬於硬聚類。2.演算法過程 k均值聚類演算法是乙個迭代的過程，每次迭代包括兩個步驟 3.複雜度 k均值聚類演算法的複雜度o mnk 其中k表示類別數，m表示...