层次聚类、谱聚类、k-means聚类、FCM聚类客观对比

层次聚类是一种分层聚类方法，通过递归的方式将数据划分为多个聚类，最终形成一个层次结构。它的优点是可以同时得到不同规模的聚类，但是计算复杂度较高。

谱聚类是一种基于图论的聚类方法，通过构建相似度矩阵和拉普拉斯矩阵，将数据点映射到低维空间中进行聚类。它适用于数据分布不规则、噪声较多的情况，但是对于大规模数据集计算复杂度较高。

k-means聚类是一种基于距离的聚类方法，通过迭代更新聚类中心，将数据点划分为k个聚类。它的优点是计算简单、速度快，但是需要事先确定聚类数目k，且对初始聚类中心的选择比较敏感。

FCM聚类是一种基于模糊理论的聚类方法，将每个数据点分配到不同的聚类中，且每个数据点对于不同聚类的隶属度不是0或1，而是一个模糊的概率值。它适用于数据点属于多个聚类的情况，但是对于大规模数据集计算复杂度较高。

综上所述，不同的聚类方法有各自的优缺点，需要根据具体情况选择合适的方法。