1.原型聚类：典型的做法是K-means，首先设定k个类别，随机的在总体样本中选择k个样本作为聚类中心，然后遍历所有样本点，把所有样本点分类到k个类中（以最短距离为标准），然后更新k个样本的样本中心，再重新划分所有的样本点。停止条件可以设定为样本的变化幅度不大的情况，或者两次的损失函数变化不大的情况。
优点：简单、时间复杂度、空间复杂度低
缺点：随机初始化的中心点对结果影响很大；
2.层次聚类：就是对所有数据点中最为相似的样本点进行组合，然后更新样本中心（就是用一个样本中心代替这两个样本点），然后反复迭代，直到所有的样本点都结合之后，结束。
优点：层次聚类最主要的优点是集群不再需要假设为类球形。另外其也可以扩展到大数据集。
缺点：有点像 K 均值聚类，该算法需要设定集群的数量（即在算法完成后需要保留的层次）。
3密度聚类：典型如DBSCAN，需要设定半径Eps，和指定数目MinPts，所有的样本点以半径Eps画圆，然后所有样本点被覆盖的圆的数目多于指定数目MinPts时，被认为是核心点，在半径Eps内点的数量少于MinPts，但是落在核心点的领域内，被认为是边界点，既不是核心点也不是边界点，那就是噪点。区分出所有的点之后，删除噪点，然后把所有连通的核心点连接成簇。优点：优点：DBSCAN 不需要假设集群为球状，并且它的性能是可扩展的。此外，它不需要每个点都被分配到一个集群中，这降低了集群的异常数据。
缺点：用户必须要调整【Eps】和【MinPts】这两个定义了集群密度的超参数。DBSCAN 对这些超参数非常敏感。
4.网络聚类：将d维数据空间的每一维平均分成等长的区间段，就是把数据划分成一些网格单元，如果一个网格单元所包含的样本数量大于某个阈值，则定义为高密度区，否则定义为低密度区。如果一个低密度区的周围都是低密度区，那这点区域被认定为是噪点，然后连接相邻的高密度单元。优点是能够处理大规模数据，可伸缩性好，算法结果不受输入顺序影响，结果简单方便理解。缺点是：参数不好设置，对噪点不好处理，效果不一定好。当d较大时，数量过大，计算量过于庞大。
