常见的聚类算法
参考链接：深入浅出聚类算法
1. K均值聚类算法
优点： 速度快，计算简便
缺点： 我们必须提前知道数据有多少类/组。
2. DBSCAN基于密度聚类算法
优点：不需要知道簇的数量
缺点：需要确定距离r和minPoints
3. Mean shift均值漂移聚类算法
优点：（1）不同于K-Means算法，均值漂移聚类算法不需要我们知道有多少类/组。 （2）基于密度的算法相比于K-Means受均值影响较小。
缺点：（1）窗口半径r的选择可能是不重要的。
4. 基于高斯混合模型GMM聚类算法和最大期望EM算法
GMMs的优点：（1）GMMs使用均值和标准差，簇可以呈现出椭圆形而不是仅仅限制于圆形。K-Means是GMMs的一个特殊情况，是方差在所有维度上都接近于0时簇就会呈现出圆形。 （2）GMMs是使用概率，所有一个数据点可以属于多个簇。例如数据点X可以有百分之20的概率属于A簇，百分之80的概率属于B簇。也就是说GMMs可以支持混合资格。
所以要做聚类首先应该找到数据集的均值和标准差，我们将采用一个叫做最大期望(EM)的优化算法。
5. 凝聚层次聚类算法
层次聚类优点：（1）不需要知道有多少个簇 （2）对于距离度量标准的选择并不敏感
缺点：效率低
6. 基于图的聚类