聚类：
将一组抽象对象变成相似对象类的过程称为聚类。
要记住的要点：
一组被视为一组数据对象
- 在聚类分析的过程中，第一步是借助数据的相似性将数据集划分成组，然后将组分配到各自的标签。
- 聚类过度分类的最大优点是它可以适应所做的变化，并有助于挑选出区分不同群体的有用特征。
聚类分析的应用：
- 它被广泛应用于图像处理、数据分析和模式识别等许多应用中。
- 它帮助营销人员在他们的客户群中找到不同的群体，他们可以通过使用购买模式来描述他们的客户群体。
- 它可用于生物学领域，通过推导动植物分类法，识别具有相同功能的基因。
- 它还通过对网络上的文档进行分类来帮助发现信息。
聚类方法：
它可以根据以下类别进行分类。
- 基于模型的方法
- 层次法
- 基于约束的方法
- 基于网格的方法
- 分区方法
- 基于密度的方法
数据挖掘中聚类的要求：
以下是为什么聚类在数据挖掘中很重要的一些要点。
- 可扩展性——
我们需要高度可扩展的聚类算法来处理大型数据库。 - 处理不同类型属性的能力——
算法应该能够处理诸如分类数据、数值数据和二进制数据之类的数据类型。 - 发现具有属性形状的簇——
该算法应该能够检测任意形状的集群，并且不应受限于距离度量。 - 可解释性——
结果应该是全面的、可用的和可解释的。 - 高维——
该算法应该能够处理高维空间，而不仅仅是处理低维数据。