Abb II: zeigen Beispiel, wo Skalierbarkeit kann, führt zum falschen Ergebnis
2) Clustering-Algorithmus muss in der Lage sein, verschiedene Arten von Parametern.
3) Clustering-Algorithmus muss in der Lage sein, Clusterdaten mit der beliebigen Form zu finden.
4) Der Clustering-Algorithmus muss gegenüber Rauschen und Ausreißern unempfindlich sein.
5) Interpretationsfähigkeit und Verwendbarkeit-Das erhaltene Ergebnis muss interpretierbar und verwendbar sein, damit maximale Kenntnisse über
die Eingabeparameter erhalten werden können.,
6) Der Clustering-Algorithmus muss in der Lage sein, mit Daten hoher Dimensionalität umzugehen.
Clustering-Algorithmen können grob in zwei Kategorien eingeteilt werden:
1) Unbeaufsichtigte lineare Clustering-Algorithmen und
2) Unbeaufsichtigte nichtlineare Clustering-Algorithmen
I. Unbeaufsichtigter linearer Clustering-Algorithmus
k-bedeutet Clustering-Algorithmus Fuzzy c-bedeutet Clustering-Algorithmus Hierarchischer Clustering-Algorithmus Gaußscher(EM) Clustering-Algorithmus Qualitätsschwellen-Clustering-Algorithmus
II., Unbeaufsichtigter nichtlinearer Clustering-Algorithmus
MST-basierter Clustering-Algorithmus Kernel k-means Clustering-Algorithmus Dichte-basierter Clustering-Algorithmus