K均值聚类算法、迭代自组织算法、DBSCAN算法

在数据挖掘和机器学习中，有几种常见的聚类算法用于将数据分组到相似的类别中：

1. **K均值聚类（K-Means Clustering）**：
K-Means 是一种基于原型（或质心）的简单而常用的无监督学习算法。它首先随机选择 K 个初始质心（中心点），然后将数据点分配到最近的质心所在的簇，接着更新每个簇的质心为该簇所有点的平均值。这个过程反复迭代直到簇中心不再移动，或达到预设的最大迭代次数。

2. **迭代自组织映射（Self-Organizing Map, SOM）**：
SOM 是一种神经网络模型，它通过竞争和迁移的方式对数据进行可视化降维和聚类。数据点被映射到一个平面上的网格中，每个节点代表一个特征空间中的位置。迭代过程中，节点会调整自身权重，使其更接近输入数据，从而形成一种自组织的结构，类似于地图。

3. **DBSCAN（Density-Based Spatial Clustering of Applications with Noise, DBSCAN）**：
DBSCAN 是一种基于密度而非固定数量的簇的聚类算法。它不需要预先指定 K 值，而是根据数据点的邻域密度来进行聚类。核心点是拥有足够密集邻居的数据点，它们会形成一个连通的区域；边界的点是介于核心点和噪声之间的点；噪声点则既不是核心点也不是边界点。DBSCAN特别适用于处理非凸形状和不同大小的簇，同时能够处理噪声。