聚类划分：

（1）划分聚类  k-means、k-medoids、k-modes、k-medians、kernel k-means

（2）层次聚类  Agglomerative 、divisive、BIRCH、ROCK、Chameleon

（3）密度聚类 DBSCAN、OPTICS

（4）网格聚类  STING

（5）模型聚类  GMM

（6）图聚类  Spectral Clustering（谱聚类）

k-medoids：它到其他所有（当前cluster中的）点的距离之和（sqrt）最小——作为中心点

k-modes：分类属性型数据的采用的聚类算法，采用差异度来代替k-means算法中的距离

k-medians：它到其他所有（当前cluster中的）点的距离之和最小——作为中心点

Agglomerative:自底向上，层次聚类

Divisive: 自顶向下，层次聚类

DBSCAN：

GMM:对于每个类假定一个分布模型，试图找到每个类最好的模型

Spectral Clustering：用特征向量的元素来表示原来的数据，并在其上进行 K-means 

聚类算法教程：

http://scikit-learn.org/stable/auto_examples/index.html#clustering

http://www.zhihu.com/question/34554321?sort=created

常见几个：k-means、层次聚类、混合高斯(GMM)、谱聚类

计算相似度：余弦相似度、jaccard、编辑距离

k-means:

1、  选取n个中心点

2、  计算每个点与上述n个点的距离，将其划分到最近一个点

3、  重新计算中心点

4、  重复2-3

问题：n值得选取（1选择彼此距离尽可能远的K个点 2先对数据用层次聚类算法或者Canopy算法进行聚类，得到K个簇之后，从每个类簇中选择一个点，该点可以是该类簇的中心点，或者是距离类簇中心点最近的那个点。），怎样重新计算中心点（均值）

层次聚类：（凝聚的层次聚类、分裂的层次聚类）

1、将每个对象归为一类, 共得到N类, 每类仅包含一个对象. 类与类之间的距离就是它们所包含的对象之间的距离.

2、 找到最接近的两个类并合并成一类, 于是总的类数少了一个.

3、 重新计算新的类与所有旧类之间的距离.

4、重复第2步和第3步, 直到最后合并成一个类为止(此类包含了N个对象).

问题：每次都要找两两最近吗？怎样合并两个类？（一般是计算所有簇的中心之间的距离）