b）基于层次的聚类算法

层次的方法对给定的数据对象集合进行层次的分解。根据层次的分解如何形成，层次的方法可以分为凝聚和分裂两大类。凝聚方法，也称为自底向上的方法，一开始将每个对象作为单独的一个类，然后相继地合并相近的类，直到所有的对象都合并成一个类(层次的最上层)，或者达到一个终止条件。分裂方法，也称为自项向下的方法，一开始将所有的对象置于一个类中，在迭代的每一步中，类被分裂为更小的类，直到每个类只包含一个对象为止，或者达到一个终止条件。来.自/优尔论|文-网www.youerw.com/

c）基于密度的聚类算法

绝大多数划分方法基于对象之间的距离进行聚类，这样的方法只能发现球状的类，而在发现任意形状的类上遇到了困难，因此出现了基于密度的聚类方法。基于密度的聚类方法认为一个数据空间中，高密度的数据对象区域被低密度的对象区域所分割。其主要思想是：只要邻近区域的密度(对象或数据点的数目)超过某个阈值，就继续聚类。也就是说，对给定类中的每个数据点，在一个给定范围的区域内必须至少包含某个数目的点。这样的方法可以过滤“噪音”数据，发现任意形状的类。Este等提出的DBSCAN(Density—Based Spatial Clustering of Applications with Noise）是一种常用的基于密度的聚类方法。该算法将具有足够高密度的区域划分为类，并可以在带有“噪音"的空间数据中发现任意形状的类。

d）基于网格的聚类算法

基于网格的方法把对象空间量化为有限数目的单元，形成一个网格结构。所有的聚类操作都在这个网格结构(即量化空间)上进行。这种方法的优点是处理速度快，其处理速度独立于数据对象的数目，只与量化空间中每一维的单元数目有关。常用的基于网格的聚类算法有Wang等提出的STING／291(STatistical INformation Grid)算法和Agrawal等提出的CLIQUE算法。

e）基于模型的聚类算法

基于模型的方法主要有两种：统计方法和神经网络方法。

大多聚类都采用了统计方法，也就是利用概率参数来帮助确定概念或聚类。所获得的每个聚类通常都是通过概率描述来表示的。COBWEB是一个常用并且简单量式概念聚类方法。它的输入对象是采用符号量来描述的，采用分类树的形式创建一个层次聚类。一个分类树中的一层形成一个划分。COBWEB的另外一个版CLASSIT，它可以对连续取值属性进行增量式聚类。这两个方法都不适用于对大库进行聚类。

神经网络聚类方法是将每个聚类描述成一个例证，每个例证作为聚类的原型，然后根据某种度量，将新的对象分配到最相似的聚类之中。主要的方法有：竞争学习方法和自组织特征映射方法。