聚类算法是一种无监督学习方法，旨在将数据集中的样本划分为若干个互不相交的子集（称为“簇”），使得同一簇内的样本尽可能相似，而不同簇间的样本尽可能不同。根据其核心思想和构建方式，聚类算法主要可分为以下几大类：

1. 基于划分的聚类

这类算法预先指定聚类数量 k，通过迭代优化将数据划分到 k 个簇中。

• 代表算法：K-Means、K-Medoids。
• 核心思想：首先随机选择 k 个初始质心，然后将每个点分配到最近的质心所属的簇，再重新计算每个簇的质心，重复此过程直至质心稳定或达到最大迭代次数。
• 特点：计算效率高，适用于凸形数据集和大规模数据。但需要预先指定 k，对初始质心敏感，且对噪声和异常值（离群点）鲁棒性较差。

K-Means Python 代码实现示例：

import numpy as np
from sklearn.cluster import KMeans
from sklearn.datasets import make_blobs
import matplotlib.pyplot as plt

# 1. 生成模拟数据
X, y_true = make_blobs(n_samples=300, centers=4, cluster_std=0.60, random_state=0)
# X 为特征数据， y_true 为真实标签（用于对比，实际无监督学习中不可用）

# 2. 创建K-Means模型并拟合数据
kmeans = KMeans(n_clusters=4, random_state=0, n_init='auto')
kmeans.fit(X)

# 3. 获取预测的簇标签和质心坐标
y_kmeans = kmeans.predict(X)
centroids = kmeans.cluster_centers_

# 4. 可视化聚类结果
plt.scatter(X[:, 0], X[:, 1], c=y_kmeans, s=50, cmap='viridis')
plt.scatter(centroids[:, 0], centroids[:, 1], c='red', s=200, alpha=0.8, marker='X')
plt.title('K-Means Clustering Result')
plt.show()

2. 基于层次的聚类

这类算法不预先指定簇的数量，而是通过构建树状的簇层次结构（树状图）来展示数据点之间的嵌套聚类关系。主要分为两种策略：

• 凝聚（自底向上）：开始时每个样本点自成一簇，然后迭代地将最相似的两个簇合并，直到所有点合并为一个簇或满足终止条件。AGNES 是该策略的典型算法。

• 分裂（自顶向下）：开始时所有样本点属于一个簇，然后迭代地分裂出最不相似的子簇，直到每个点自成一簇或满足终止条件。

• 特点：无需预先指定簇数，可通过树状图直观地确定任意层次的聚类结构。但计算复杂度通常较高（尤其是凝聚法），且已做的合并或分裂操作不可撤销。

AGNES（凝聚层次聚类）Python 代码实现示例：

import numpy as np
from scipy.cluster.hierarchy import dendrogram, linkage, fcluster
from sklearn.datasets import make_blobs
import matplotlib.pyplot as plt

# 1. 生成模拟数据
X, _ = make_blobs(n_samples=150, centers=3, cluster_std=0.5, random_state=0)

# 2. 计算连接矩阵（linkage matrix）
# 参数 ‘ward’ 表示使用沃德方差最小化方法计算类间距离，其他可选 ‘single‘, 'complete', 'average' 等
Z = linkage(X, method='ward')

# 3. 绘制树状图
plt.figure(figsize=(10, 7))
plt.title('AGNES Dendrogram')
plt.xlabel('Sample index')
plt.ylabel('Distance')
dendrogram(Z)
plt.show()

# 4. 根据距离阈值或指定簇数量，从层次结构中提取平面聚类结果
# 例如，提取3个簇
clusters = fcluster(Z, t=3, criterion='maxclust')
print("Cluster assignments:", clusters)

3. 基于密度的聚类

这类算法将簇定义为数据空间中密度高于周围区域的区域，能够发现任意形状的簇，并能有效识别噪声点。

• 代表算法：DBSCAN。
• 核心思想：基于两个参数——邻域半径 eps 和最小样本数 min_samples。如果一个点的 eps 邻域内包含至少 min_samples 个点，则该点被视为核心点。由核心点密度可达的所有点形成一个簇，不属于任何簇的点被标记为噪声。
• 特点：无需预设簇数，能处理任意形状的簇和噪声。但对参数 eps 和 min_samples 敏感，在高维数据上可能效果不佳。

DBSCAN Python 代码实现示例：

import numpy as np
from sklearn.cluster import DBSCAN
from sklearn.datasets import make_moons
import matplotlib.pyplot as plt

# 1. 生成非凸形状的模拟数据（如月牙形）
X, _ = make_moons(n_samples=200, noise=0.05, random_state=0)

# 2. 创建DBSCAN模型并拟合数据
# eps: 邻域半径， min_samples: 核心点所需的最小邻域样本数
dbscan = DBSCAN(eps=0.3, min_samples=5)
y_db = dbscan.fit_predict(X)

# 3. 可视化聚类结果（噪声点通常标记为-1，用不同颜色表示）
plt.scatter(X[:, 0], X[:, 1], c=y_db, s=50, cmap='viridis')
plt.title('DBSCAN Clustering Result')
plt.show()

4. 基于模型的聚类

这类算法为每个簇假定一个数学模型（如概率分布），然后通过拟合模型来发现数据的内在结构。

• 代表算法：高斯混合模型。
• 核心思想：假设数据是由多个高斯分布混合生成，通过期望最大化等算法估计每个高斯分布的参数（均值、协方差）和混合权重，从而将数据点软分配到各分布（簇）。
• 特点：提供概率归属，可以处理软聚类。模型本身可能对数据的分布假设敏感。

5. 基于网格的聚类

这类算法将数据空间划分为有限个单元的网格结构，然后在网格单元上进行聚类操作。

• 代表算法：STING。
• 核心思想：通过网格划分，将聚类操作从数据对象转移到网格单元，利用网格单元的统计信息进行快速聚类。
• 特点：处理速度快，但聚类精度受网格粒度影响，可能无法捕获更精细的边界。

算法选择与对比

应用场景举例：在客户细分中，若客户特征分布近似球形且无大量异常值，可选用 K-Means。若希望探索客户群体的自然层次结构（如从大类到小类），层次聚类（AGNES） 并可视化树状图是合适的选择。在地理位置点聚类或网络入侵检测中，数据可能呈现任意形状且包含噪声，DBSCAN 则更具优势。

参考来源

• spark调用python算法_利用Spark-mllab进行聚类，分类，回归分析的代码实现(python)
• 使用随机森林和Kmeans算法进行降维和分类聚类，最终将数据合并。以下是Python的代码实现。
• kmeans鸢尾花分类python代码_python实现鸢尾花三种聚类算法（K-means,AGNES,DBScan）
• AGNES聚类算法实战：用Python手把手教你实现数据分类（附完整代码）
• 【机器学习】：Kmeans均值聚类算法原理(附带Python代码实现)
• 聚类算法：Hierarchical Clustering层次聚类