叢集是一組屬於同一類的物件。換句話說，類似物件被分組在一個簇和異種分組在其他叢集。
叢集是製作小組抽象物件到類相似物件的過程。
你需要記住的
資料物件的一個叢集可以被視為一組。
而這樣做的聚類分析，我們首先根據資料相似性劃分的一組資料分組，然後將標籤分配給該組。
聚類在分類的主要優點是，它是適應變化，並幫助該區分不同群體挑出有用的功能。
聚類分析被廣泛用於許多應用，如市場調查，圖形識別，資料分析和影象處理。
群集也可以幫助行銷人員發現不同的群體在他們的客戶基礎。他們可以根據購買模式的客戶群體特徵。
在生物學領域，可以用於推導植物和動物分類法進行分類的基因相似的功能，並深入了解所固有的種群結構。
叢集也有助於識別類似土地利用在地球觀測資料庫的區域。它還有助於房子的群體在一個城市，根據房子的型別，價值，地理位置識別。
叢集也有助於在網路上的資訊發現檔案分類。
聚類也可用於異常檢測的應用，如檢測信用卡欺詐的。
作為資料挖掘功能聚類分析作為一種工具來洞察資料，觀察每個簇的分佈性特點。
這裡是聚類資料挖掘的典型要求：
可延伸性 - 我們需要高度可延伸的聚類演算法來處理大型資料庫。
能夠處理不同型別的屬性 - 演算法應該能夠在任何種類的資料，如基於間隔（數位）資料，類別，二進位制資料被應用。
叢集與屬性形狀的發現 - 聚類演算法應能夠檢測任意形狀的簇。本不應該為界，往往發現小尺寸的球狀星團只有距離測量。
高維 - 該聚類演算法不僅能夠處理低維資料，而且該高維空間。
能夠處理噪聲資料 - 資料庫包含嘈雜，丟失或錯誤的資料。一些演算法是這樣的資料敏感，並且可能導致品質差的叢集。
解釋性 - 聚類結果應該是可解釋的，可理解的和可用的。
聚類方法可以分為以下幾種：
劃分方法
分層方法
基於密度的方法
基於網格的方法
基於模型的方法
基於約束的方法
假設我們給出n個物件的資料庫，該劃分方法構建資料的k個分割區。每個分割區將代表一個叢集和k≤| N。這意味著它將對資料進行分類成k個組，其中滿足下列要求：
各組至少包含一個物件。
每個物件必須屬於正好一個組。
要記住的要點：
對於分割區（K）的一個給定的數目，分割區方法將建立一個初始劃分。
然後，它使用了疊代搬遷技術，通過移動的物體從一組到其他改善分割區。
這個方法建立給定資料物件的層次分解。我們可以的層次分解是如何形成如下基礎分層分類方法：
凝聚法
分裂法
這種方法也被稱為自下而上的方法。在此，我們開始與每個物件形成一個單獨的組。它不斷合併是彼此接近的物體或基團。它繼續這樣做，直到所有的組都合併成一個或直到終止條件成立。
這種方法也被稱為自頂向下的方法。在此，我們開始都在同一個簇中的物件的。在連續的疊代中，簇被分裂成更小的簇。這是直到在一個叢集或終止條件的每個物件儲存。
壞處這個方法是剛性的，即，一旦合併或拆分完成後，它不可能被撤消。
這裡是用來提高層次聚類的品質的兩種方法：
在每個層次劃分進行認真分析物件的聯絡。
首先使用分層凝聚演算法組物件到微簇，然後在微簇進行巨集簇整合分層結塊。
此方法是基於密度的概念。其基本思路是將繼續增長給定的簇，只要在附近的密度超過某個閾值，即對於一個給定叢集內的每一個資料點，在給定簇的半徑必須包含點中的至少一個最小數目。
在這個物件一起從一個網格。物件空間量化成形成一個網格結構單元的數量有限。
優點這種方法的主要優點是快速的處理時間。
它僅依賴於細胞中的量化空間的每個維度的數目。
在該方法中，模型是假設每個簇並找到資料的給定模型的最佳擬合。此方法通過聚類的密度函式找出叢集。這反映了資料點的空間分布。
這種方法也有助於自動決定基於標準的統計聚類數，取異常或噪聲考慮的方式。因此，產生強大的聚類方法。
在該方法中，聚類是由使用者或應用程式面向約束摻入執行。約束是指使用者期望或希望的聚類結果的屬性。約束給我們的叢集進程間通訊的互動方式。該約束可以由使用者或應用程式的要求來指定。