系统聚类的六种方法哪些用于样本聚类？哪些用于特征聚类？

系统聚类主要分为以下六种方法：

1. 单链接（Single Linkage）聚类法
2. 完全链接（Complete Linkage）聚类法
3. 平均链接（Average Linkage）聚类法
4. 中心点（Centroid）聚类法
5. 类平均（Ward's）聚类法
6. DBSCAN聚类法

其中，单链接、完全链接、平均链接以及DBSCAN聚类法通常用于样本聚类，而中心点和类平均聚类法通常用于特征聚类。

单链接聚类法、完全链接聚类法和平均链接聚类法都是层次聚类法，它们的基本思想是将距离近的样本或特征先聚成一类，再逐步合并成更大的类。其中单链接聚类法和完全链接聚类法在计算类间距离时只考虑两个类中距离最近的样本之间的距离，而平均链接聚类法则是考虑两个类中所有样本之间的距离的平均值。

中心点聚类法和类平均聚类法是划分聚类法，它们的基本思想是先随机选取一定数量的聚类中心或特征中心，然后通过不断迭代调整聚类中心或特征中心的位置，直到聚类结果收敛。其中中心点聚类法计算聚类中心时采用所有样本的均值，而类平均聚类法则是计算所有样本的方差和均值。

相关问题

近年发表的曲线聚类方法有哪些？

近年来，发表的一些曲线聚类方法包括：

1. DBSCAN（Density-Based Spatial Clustering of Applications with Noise）：基于密度的空间聚类算法，可以用于曲线聚类。
2. OPTICS（Ordering Points To Identify the Clustering Structure）：一种基于密度的聚类算法，可以用于曲线数据的聚类。
3. HDBSCAN（Hierarchical Density-Based Spatial Clustering of Applications with Noise）：一种基于密度的层次聚类算法，适用于曲线聚类。
4. CURE（Clustering Using REpresentatives）：一种基于代表点的聚类算法，可以应用于曲线聚类。
5. STING（STatistical INformation Grid）：一种基于统计信息网格的聚类算法，适用于曲线数据的聚类。
6. PAM（Partitioning Around Medoids）：一种基于中心点的划分聚类算法，可以用于曲线聚类。
7. CLARA（Clustering Large Applications）：一种基于样本抽取的划分聚类算法，适用于曲线数据的聚类。

这些方法都是在曲线聚类领域得到广泛应用的算法。请注意，这只是其中一些方法，还有其他方法也可以用于曲线聚类任务。

聚类归属概率有哪些方法

根据提供的引用内容，可以得知聚类归属概率的方法主要有以下两种：
1. 基于欧式距离的相似度计算方法，即通过计算样本点与聚类中心之间的距离，来判断样本点属于哪个聚类类别。常见的聚类算法如K-means和层次聚类都采用了这种方法。
2. 基于概率的方法，即通过计算样本点属于某个聚类的概率大小，来判断最终的归属类别。高斯混合模型（GMM）是一种常见的基于概率的聚类算法，它将每个聚类看作是一个高斯分布，通过计算样本点在每个高斯分布中的概率大小，来判断最终的归属类别。