Сеточные алгоритмы. 
Актуальные проблемы кластерного анализа

Метод.

Достоинства.

Недостатки.

CURE.

• — Кластеризация высокого уровня даже при наличии выбросов
• — Выделение кластеров сложной формы и различных размеров
• — Обладает линейно зависимыми требованиями к месту хранения данных и временную сложность для данных высокой размерности

— Необходимость в задании пороговых значений и количества кластеров.

BIRCH.

• — Двухступенчатая кластеризация, кластеризация больших объемов данных
• — Работает на ограниченном объеме памяти
• — Является локальным алгоритмом
• — Может работать при одном сканировании входного набора данных
• — Данные могут быть неодинаково распределены по пространству
• — Обрабатывает области с большой плотностью как единый кластер

• — Работает только с числовыми данными
• — Хорошо выделяет только кластеры выпуклой или сферической формы
• — Необходимость в задании пороговых значений

MST.

• — выделяет кластеры произвольной формы (выпуклой и вогнутой форм)
• — выбирает из нескольких оптимальных решений самое оптимальное

— чувствителен к выбросам.

k-средних.

• — Простота использования
• — Скорость работы
• — Понятность и прозрачность алгоритма

• — Чувствителен к выбросам
• — Медленная работа на больших объёмах
• — Необходимо задавать количество кластеров
• — Невозможность применения алгоритма на данных, где имеются пересекающиеся кластеры
• — Не гарантируется достижение глобального минимума
• — Работа алгоритма сильно зависит от выбранных начальных центров кластеров, оптимальное значение которых не может быть известно заоанее

PAM.

• — Простота использования
• — Скорость работы
• — Понятность и прозрачность алгоритма
• — Менее чувствителен к выбросам в сравнении с k-means

• — необходимо задавать количество кластеров;
• — медленная работа на больших базах данных

CLOPE.

• — масштабируемость
• — скорость работы
• — качество кластеризации, что достигается использованием глобального критерия оптимизации на основе максимизации градиента высоты гистограммы кластера.
• — легко рассчитывается и интерпретируется
• — малый объём ресурсов
• — автоматически подбирает количество кластеров
• — регулируется одним единственным параметром — коэффициентом отталкивания.

Алгоритм HCM.

• — Легкость реализации
• — Вычислительная простота

• — задание количества кластеров
• — отсутствие гарантии в нахождении оптимального решения

Fuzzy.

C-means.

— Нечеткость при определении объекта в кластер позволяет классифицировать пограничные объекты.

• — Вычислительная сложность
• — Задание количества кластеров
• — Неопределённость с выбросами

WaveCluster.

• — Может обнаруживать кластеры произвольных форм
• — Не чувствителен к шумам

• — Сложность реализации
• — Применим только к данным низкой размерности