figura II: muestra un ejemplo donde la escalabilidad puede conducir a un resultado incorrecto
2) el algoritmo de agrupación debe ser capaz de tratar con diferentes tipos de atributos.
3) el algoritmo de agrupamiento debe ser capaz de encontrar datos agrupados con la forma arbitraria.
4) El algoritmo de Clustering debe ser insensible al ruido y a los valores atípicos.
5) Capacidad de interpretación y usabilidad-el resultado obtenido debe ser interpretable y utilizable para que se pueda obtener el máximo conocimiento sobre
Los parámetros de entrada.,
6) el algoritmo de Clustering debe ser capaz de tratar con un conjunto de datos de alta dimensionalidad.
los Algoritmos de agrupamiento se pueden clasificar ampliamente en dos categorías:
1) algoritmos de agrupamiento lineal no supervisados y
2) algoritmos de agrupamiento no supervisados
I. algoritmo de agrupamiento lineal no supervisado
k-means algoritmo de agrupamiento difuso C-means algoritmo de agrupamiento jerárquico algoritmo de agrupamiento gaussiano(EM) algoritmo de agrupamiento de umbral de calidad
II., Algoritmo de agrupamiento no lineal no supervisado
algoritmo de agrupamiento basado en MST kernel K-significa algoritmo de agrupamiento basado en densidad algoritmo de agrupamiento