像上一篇文章 《聚類思想分析》 所述， 聚類算法無所謂好壞，重點在於合理使用各類算法達到最優效果。
--------------------------------------------------------------------------------------------------------
下面所述算法都是各類算法原型，不含變形。
1. 划分聚類 VS 模糊聚類
以Kmeans和FCM算法為例：
FCM是Kmeans的改進，由硬性隸屬關系提升為軟性隸屬。
FCM的優勢：
軟性隸屬后，由於每個值對各類中心點都有貢獻，因此中心點的迭代更易達到全局最優。
依據：
Kmeans的優化目標： 中心迭代公式：
FCM的優化目標： 中心迭代公式：
FCM相對Kmeans的優點： 1） 中心迭代更合理。 2） 魯棒離群點
FCM相對Kmeans的缺點： 計算復雜度更高
同樣，FCM和Kmeans有同樣的缺點。
2. 層次聚類 VS 密度聚類
以底上的層次聚類和DBSCAN算法為例：
DBSCAN的優勢：
1. 速度快 kN vs log(N)*N^2
2. 基於事件密度更優於基於距離的自發現
DBSCAN的劣勢：
參數難以控制，對聚類效果影響大。也可以說是參數敏感。
即：
因為DBSCAN使用簇的基於密度的定義，因此它是相對抗噪音的，並且能處理任意形狀和大小的簇。但是如果簇的密度變化很大，例如ABCD四個簇，AB的密度大大大於CD，而且AB附近噪音的密度與簇CD的密度相當，這是當MinPs較大時，無法識別簇CD，簇CD和AB附近的噪音都被認為是噪音；當MinPs較小時，能識別簇CD，但AB跟其周圍的噪音被識別為一個簇。
同樣，兩者最大的共同的缺點是：
3. 先驗聚類 VS 自發聚類
這里的定義如下：
先驗聚類的優點：
1） 精確度高 2）有明確優化目標
先驗的缺點：
1） 速度慢 2）噪音敏感 3）難以確定K值
同樣，自發聚類和先驗聚類正好相異，這里不再贅述。
4. DBSCAN算法 VS 共享近鄰SNN算法
對於DBSCAN上述的問題，SNN可以一定程度的緩解。
由於SNN沒有采用一般的密度定義，而是通過與其它點的關系來描述自己，所以SNN一定程度解決了疏松密度難以調衡的問題。
但是SNN速度較慢，是 kN^2 的算法。同樣，SNN也是參數敏感的。
最后，靈活運用各種聚類算法應對場景問題才是關鍵。
未經博主允許，不得轉載任何文章。