1 . 基于密度的聚类

基于密度的聚类方法是以数据集在空间分布上的稠密度为依据进行聚类，无需预先设定 簇的数量，因此特别适合对于未知内容的数据集进行聚类。

而代表性算法有：DBSCAN、OPTICS、DBSCAN算法

相关链接：https://www.cnblogs.com/stormtides/p/11891384.html

2 . 层次聚类

层次聚类就是一层一层地进行聚类，可以由上向下把大的类别（cluster）分割，叫作分裂法；也可以由下向上对小的类别进行聚合，叫作凝聚法；但是一般用得比较多的是由下向上的凝聚方法。

相关链接：https://blog.csdn.net/u012500237/article/details/65437525/

链接有不同类型：

• 单链接：在单链接中，两个聚类之间的距离是这两个聚类中的点之间的最短距离。
• 完全链接：在完全链接中，两个聚类之间的距离是这两个聚类中的点之间的最远距离。
• 平均链接：在平均链接中，两个群集之间的距离是群集中每个点与另一个群集中的每个点的平均距离。

3 . 模糊聚类

在模糊聚类中，任何聚类中数据点的分配都不是决定性的； 一个数据点可以属于多个群集，它提供结果作为数据点属于每个群集的概率。 模糊聚类是模糊聚类中使用的一种算法。

相关链接：https://blog.csdn.net/qq_28266311/article/details/88554951

4 . 分区聚类

这种方法是分析人员创建集群时最受青睐的选择之一。在分区聚类中，基于数据点的特征对聚类进行分区，通常需要指定为该聚类方法创建的聚类数量。 这些聚类算法遵循迭代过程，以基于距离在聚类之间重新分配数据点。

5 . PAM聚类

该算法也称为k-medoid算法，过程也类似于K-means聚类算法，区别在于聚类中心的分配。

相关链接：https://www.cnblogs.com/king-lps/p/7775108.html