Obr II: ukazuje příklad, kde škálovatelnost může vést k nesprávnému výsledku
2) Clustering algoritmus musí být schopen vypořádat se s různými typy atributů.
3) Clustering algoritmus musí být schopen najít clustered data s libovolným tvarem.
4) algoritmus shlukování musí být necitlivý na šum a odlehlé hodnoty.
5) interpretovat-schopnost a použitelnost-získaný výsledek musí být interpretovatelný a použitelný, aby bylo možné získat maximální znalosti o
vstupních parametrech.,
6) Clustering algoritmus musí být schopen vypořádat se s datovou sadou vysoké dimenzionality.
Clustering algoritmy mohou být široce rozděleny do dvou kategorií:
1) bez dozoru lineární clustering algoritmy a
2) bez dozoru nelineární clustering algoritmy
i.bez dozoru lineární clustering algoritmus
k-znamená clustering algoritmus Fuzzy c-znamená clustering algoritmus hierarchické clustering algoritmus Gaussian(EM) clustering algoritmus prahovou prahovou clustering algoritmus
II., Bez dozoru nelineární clustering algoritmus
MST založené clustering algoritmus jádro K-znamená clustering algoritmus hustota založené clustering algoritmus