k-means：

是一種典型的劃分聚類算法，它用一個聚類的中心來代表一個簇，即在迭代過程中選擇的聚點不一定是聚類中的一個點，該算法只能處理數值型數據

k-modes：

K-Means算法的擴展，采用簡單匹配方法來度量分類型數據的相似度

k-prototypes：

結合了K-Means和K-Modes兩種算法，能夠處理混合型數據

k-medoids：

在迭代過程中選擇簇中的某點作為聚點，PAM是典型的k-medoids算法

CLARA：

CLARA算法在PAM的基礎上采用了抽樣技術，能夠處理大規模數據

CLARANS：

CLARANS算法融合了PAM和CLARA兩者的優點，是第一個用于空間數據庫的聚類算法

Focused CLARAN：

采用了空間索引技術提高了CLARANS算法的效率

PCM：

模糊集合理論引入聚類分析中并提出了PCM模糊聚類算法

CURE：

采用抽樣技術先對數據集D隨機抽取樣本，再采用分區技術對樣本進行分區，然后對每個分區局部聚類，最后對局部聚類進行全局聚類

ROCK：

也采用了隨機抽樣技術，該算法在計算兩個對象的相似度時，同時考慮了周圍對象的影響

CHEMALOEN（變色龍算法）：

首先由數據集構造成一個K-最近鄰圖Gk ,再通過一個圖的劃分算法將圖Gk 劃分成大量的子圖,每個子圖代表一個初始子簇,最后用一個凝聚的層次聚類算法反復合并子簇，找到真正的結果簇

SBAC：

SBAC算法則在計算對象間相似度時，考慮了屬性特征對于體現對象本質的重要程度，對于更能體現對象本質的屬性賦予較高的權值

BIRCH：

BIRCH算法利用樹結構對數據集進行處理，葉結點存儲一個聚類，用中心和半徑表示，順序處理每一個對象，并把它劃分到距離最近的結點，該算法也可以作為其他聚類算法的預處理過程

BUBBLE：

BUBBLE算法則把BIRCH算法的中心和半徑概念推廣到普通的距離空間

BUBBLE-FM：

BUBBLE-FM算法通過減少距離的計算次數，提高了BUBBLE算法的效率

DBSCAN：

DBSCAN算法是一種典型的基于密度的聚類算法，該算法采用空間索引技術來搜索對象的鄰域，引入了“核心對象”和“密度可達”等概念，從核心對象出發，把所有密度可達的對象組成一個簇

GDBSCAN：

算法通過泛化DBSCAN算法中鄰域的概念，以適應空間對象的特點

OPTICS：

OPTICS算法結合了聚類的自動性和交互性，先生成聚類的次序，可以對不同的聚類設置不同的參數，來得到用戶滿意的結果

FDC：

FDC算法通過構造k-d tree把整個數據空間劃分成若干個矩形空間，當空間維數較少時可以大大提高DBSCAN的效率

STING：

利用網格單元保存數據統計信息，從而實現多分辨率的聚類

WaveCluster：

在聚類分析中引入了小波變換的原理，主要應用于信號處理領域。（備注：小波算法在信號處理，圖形圖像，加密解密等領域有重要應用，是一種比較高深和牛逼的東西）

CLIQUE：

是一種結合了網格和密度的聚類算法

自組織神經網絡SOM：

該方法的基本思想是--由外界輸入不同的樣本到人工的自組織映射網絡中，一開始時，輸入樣本引起輸出興奮細胞的位置各不相同，但自組織后會形成一些細胞群，它們分別代表了輸入樣本，反映了輸入樣本的特征

COBWeb：

COBWeb是一個通用的概念聚類方法，它用分類樹的形式表現層次聚類

AutoClass：

是以概率混合模型為基礎，利用屬性的概率分布來描述聚類，該方法能夠處理混合型的數據，但要求各屬性相互獨立