分层聚类算法
转载看到很多地方都讲到分层聚类法，这到底是什么东东，今天来研究一下。
分层聚类法是聚类算法的一种，聚类算法是数据挖掘的核心技术，把数据库中的对象分类是数据挖掘的基本操作，其准则是使属于同一类的个体间距离尽可能小，而不同类个体间距离尽可能大。
聚类算法一般分为分割和分层两种。
分割聚类算法通过优化评价函数把数据集分割为K个部分，它需要K作为输人参数。
典型的分割聚类算法有K-means算法, K-medoids算法、CLARANS算法。
分层聚类由不同层次的分割聚类组成，层次之间的分割具有嵌套的关系。它不需要输入参数，这是它优于分割聚类算法的一个明显的优点，其缺点是终止条件必须具体指定。
典型的分层聚类算法有BIRCH算法、DBSCAN算法和CURE算法等。
各聚类算法的比较结果
算法 算法效率 适合的数据类型 发现的聚类类型 对脏数据或异常数据的敏感性 对数据输入顺序的敏感性
BIRCH 高 数值 凸形或球形 不敏感 不太敏感
DBSCAN 一般 数值 任意形状 敏感 敏感
CURE 较高 数值 任意形状 不敏感 不太敏感
K-poto
