聚类是机器学习领域中非常重要的一个任务，是由无监督学习衍生出来的分类任务，其目标是将样本划分为数个聚类，使得每一个聚类内的样本具有一致性，而不同聚类之间的样本存在显著差异。现在常用的聚类算法主要包括：K均值算法、层次聚类（HC）、该量聚类算法（DBSCAN）、基于密度的聚类算法（OPTICS）。
K均值算法是聚类的最简单也是最经典的算法，目标是将样本库划分为K个聚类，使得每一类的样本质心尽可能的接近，而不同聚类的样本质心尽可能的远离，它最后的聚类结果很大程度上取决于初始化聚类中心，该算法收敛速度较快。
层次聚类（HC）通过使用距离度量方法，将相似性高的样本结合起来，聚合成一个聚类，得到一个聚类树，最后从聚类树中挑选出作为最终的结果。其收敛速度较慢，但是由于不用指定聚类个数，而且聚类结果可视化，得到的结果更加直观。
该量聚类算法（DBSCAN）是另一类常用的聚类算法，它通过定义一个邻域，来根据样本的密度进行聚类，能够自动对簇数量进行划分，但局限性在于，它不能处理不同密度的聚类结果，容易漏掉一些数据。
基于密度的聚类算法（OPTICS）是基于DBSCAN而改进的算法，它首先根据样本的密度生成了一个树结构，然后利用正则化的方法对此树结构进行划分，从而得出最终的结果。OPTICS能够有效地处理非凸形的聚类结果，其结果可视化，可检测聚类中心及聚类过程。
总而言之，以上常用的聚类算法具有较好的应用场景和效果，根据自身的需要，应该有效的选择一种或者多种聚类算法进行处理。
