密度聚类
K-Means算法主要针对那种类圆形区域数据的聚类，相对来说应用范围窄了一点。而密度聚类可以弥补这个缺点，可用于任何形状的聚类。这个算法需要我们调节两个参数，半径sigma，最小数目m，先介绍该算法的一些概念
核心对象：对于一个对象它的sigma领域内至少有m个对象，那我们就称之为核心对象
直接密度可达：如果一个对象处在一个核心对象的sigma领域内，那称这两个对象直接密度可达
密度可达（相连）：如果一个对象a和b直接密度可达，对象b和c也是直接密度可达，那么我们称a和c是密度可达的，也称这两个对象是密度相连的。
DBSCAN的算法就是我们先找到一个核心对象，从它出发，确定若干个直接密度可达的对象，再从这若干个对象出发，寻找它们直接密度可达的点，直至最后没有可添加的对象了，那么一个簇的更新就完成了。我们也可以说，簇其实就是所有密度可达的点的集合。
算法优点：
1.对这个簇的形状没要求
2.对异常的点，可能被挑选出来。
（它既不是核心对象，然后对其它的点又不是密度可达的，所以最后就被剩了出来没被分类。）
缺点：
对参数的值，影响很大。
图片说明

层次聚类
层次聚类是一种基于树形结构的聚类方法，常用的是自底向上的结合策略（AGNES算法）。假设有N个待聚类的样本，其基本步骤是：

1.初始化–>把每个样本归为一类，计算每两个类之间的距离，也就是样本与样本之间的相似度；
2.寻找各个类之间最近的两个类，把他们归为一类（这样类的总数就少了一个）；
3.重新计算新生成的这个类与各个旧类之间的相似度；
4.重复2和3直到所有样本点都归为一类，结束。
图片说明