数据: 数据体量巨大的特点。2.分步聚类方法:又称快速聚类方法，主要用于大数据样本间聚类，能够处理不同类型的数据:许多算法是为聚类-1/的数值类型设计的，第六章-1 聚类算法-基于系统聚类方法-1聚类分析是一种无监督的机器学习方法，聚类的典型要求是可伸缩性:许多聚类算法在对象少于200个-1的小型数据集上运行良好；然而，一个大规模的数据库可能包含数百万个对象，在如此大的数据集合样本上传导聚类可能会导致有偏的结果。
来这里看看聚类分析。比较流行的方法有聚类和K-means 聚类，属于split 聚类方法。KMeans算法的思想很简单。对于给定的样本集，根据样本之间的距离将其划分为k个聚类。让簇内的点尽可能的紧密连接，让簇间的距离尽可能的大。目标是最小化Esum(x\miu_i)，其中\miu_i是每个聚类的平均值。直接求上述公式的最小值并不容易，这是一个NP难问题，所以采用了启发式迭代法KMeans。
上图A所示为初始数据集，假设k3。在图B中，我们随机选取三个K类别对应的类别质心，即图中的红绿和草绿质心，然后分别求出样本中所有点到这三个质心的距离，将每个样本的类别标记为与样本距离最小的类别，如图c所示，计算样本与红绿和草绿质心的距离后，第一次迭代后得到所有样本点的类别。此时，我们找到我们当前点的新质心，分别标记为红色、绿色和草绿色，重复这个过程，将所有点的类别标记为最近质心的类别，找到新质心。
3.1Kpototypes算法Kpototypes算法结合了可以处理符号属性的Kmeans方法和改进的Kmodes方法。与Kmeans方法相比，Kpototypes算法可以处理符号属性。3.2CLARANS算法(划分法)CLARANS算法是一种随机搜索聚类算法，是一种划分聚类方法。它首先随机选取一个点作为当前点，然后在其周围随机检查一些不大于参数Maxneighbor的相邻点。如果找到更好的邻点，则移到邻点，否则视为局部最小值。
算法要求必须将聚类的所有对象预转入内存，并且数据的集合需要多次扫描，对于数据的大数据量来说相当耗时且空间复杂。虽然通过引入R树结构提高了其性能，可以处理大规模的基于磁盘的数据库，但是R*树的构建和维护成本太高。该算法对脏数据和异常数据不敏感，但对数据极其敏感，只能处理凸形或球形边界聚类。
