（4）结果验证。一旦用聚类算法得到结果，就需要验证其正确性。
（5）结果判定。在许多情况下，应用领域的专家必须用其他实验数据和分析判定聚类结果，最后做出正确的结论。
聚类分析有很多种算法，每种算法都是优化了某一方面或某几方面的特征。聚类算法的优劣标准本身就是一个值得研究的问题，对于聚类的评价有不同的标准。现在通用的聚类算法都是从几个方面来衡量的，而没有完全使用量化的客观标准。下面给出六条关于聚类的主要标准:
（1）处理大的数据集的能力。
（2）处理任意形状，包括有间隙的嵌套的数据的能力。
（3）算法处理的结果与数据输入的顺序是否相关，也就是说算法是否独立于数据输入顺序。
（4）处理数据噪声的能力。
（5）是否需要预先知道聚类个数，是否需要用户给出领域知识。
（6）算法处理有很多属性数据的能力，也就是对数据维数是否敏感。
对于一个聚类算法可以从以上几个方面综合考虑。
2.2 聚类方法的数据结构
基于内存的聚类算法有以下两种代表性的数据结构：
数据矩阵（对象与变量结构）：它用p个变量表现n个对
（1） 象，这种数据结构是关系表的形式，或看成n×p的矩阵。
x11 … x 1f … x1p : : : : : xi1 … xif … xip : : : : : xn1 … xnf … xnp |
（2） 相异度矩阵（对象–对象结构）：存储n个对象两两之间的近似性，表现形式是一个n×n维的矩阵。
0 d（2，1） 0 d（3，1） d（3，2） 0 : : : d（n，1） d（n，2） … … 0 |
这里d（i，j）是对象i和对象j之间相异性的量化表示，通常为非负值，当两个对象i，j越相似，其值越接近0；反之，则值越大。
2.2.1 区间标度变量
区间标度变量是一个粗略线性标度的连续变量。用来计算相异度d（i，j），其距离度量包括欧几里德距离，曼哈坦距离和明考斯基距离。
首先实现数据的标准化，给定一个变量f的度量值，可以进行一下转化：
（1）计算平均的绝对偏差Sf：
Sf = （|x1f-mf|+|x2f-mf|+……+|xnf-mf|）/n
这里x1f，……，xnf是f的n个度量值，mf是f的平均值。
（2）计算标准化的度量值：
Zif = （xif-mf）/sf
