II.ábra: példa bemutatása, ahol a skálázhatóság rossz eredményhez vezethet
2) A klaszterezési algoritmusnak képesnek kell lennie különböző típusú attribútumok kezelésére.
3) A klaszterezési algoritmusnak képesnek kell lennie arra, hogy tetszőleges alakú fürtözött adatokat találjon.
4) a csoportosítási algoritmusnak érzéketlennek kell lennie a zajra és a kiugró értékekre.
5) az interpretált-képesség és használhatóság-eredménynek értelmezhetőnek és használhatónak kell lennie, hogy a
maximális ismerete a bemeneti paraméterekről megszerezhető legyen.,
6) A klaszterezési algoritmusnak képesnek kell lennie a nagy dimenziójú adatkészlet kezelésére.
Fürtözés algoritmusok lehet nagyjából sorolni két kategóriák:
1) a Felügyelet nélküli lineáris fürtözés algoritmusok, valamint
2) a Felügyelet nélküli non-lineáris fürtözés algoritmusok
I. Felügyelet nélkül lineáris fürtözés algoritmus
a k-means klaszterezés algoritmus Fuzzy c-means klaszterezés algoritmus Hierarchikus klaszterezés algoritmus Gauss(EM) fürtözés algoritmus Minőségi küszöb fürtözés algoritmus
II., Felügyelet nélküli nemlineáris csoportosítási algoritmus
MST alapú csoportosítási algoritmus kernel k – azt jelenti, klaszterezés algoritmus sűrűség alapú csoportosítási algoritmus