做聚类分析，你是不是也遇到过：数据有异常值，K-Means 还能用吗？同心环、弯曲数据为什么总是聚不对？不知道到底应该分成几类怎么办？ 这次把常用聚类算法系统整理了一遍：3大类，10种算法，全部配套 MATLAB 完整代码 + 可视化结果。

01｜10种聚类算法，一次收齐

① K-Means 聚类：最经典的划分式聚类，质心迭代更新，适合快速理解聚类基本思想。

② K-Medoids 聚类：中心直接选取真实样本点，相比 K-Means 对异常值更加鲁棒。

③ FCM 模糊 C 均值聚类：一个样本不再被“硬塞”进某一类，而是拥有不同类别的隶属度，特别适合边界模糊的数据。

④ DBSCAN 聚类：不需要预先指定类别数，可以识别同心环、弯曲带状等非凸簇，还能自动发现噪声点。

⑤ DENCLUE 聚类：基于核密度估计和密度吸引子，从“数据密度”角度寻找潜在聚类结构。

⑥ GMM 高斯混合模型聚类：不仅看距离，还建模均值、协方差和混合权重，面对椭圆形、方向不同、尺度不同的簇更加灵活。

⑦ 谱聚类：把数据转换成图结构，通过拉普拉斯矩阵特征向量重新表示样本，对同心环、非线性可分结构尤其有意思。

⑧ 层次聚类：从一个个样本开始不断合并，最后形成一棵直观的聚类树状图。

⑨ CLIQUE 网格聚类：把空间划成网格，通过寻找稠密网格和连通区域发现聚类结构，还可以直接生成网格密度热力图。

⑩ AP 近邻传播聚类：不用提前指定 K，通过样本之间不断“传递消息”，自动寻找代表点并确定聚类结构。

02｜真正有用的，不只是“把代码跑通”

很多网上的聚类代码最后只有一张：红点、蓝点、黄点……能运行，但距离论文出图还差很远。所以这一章除了聚类结果，还专门设计了不同的结果表达方式：

✅ 聚类散点分布

✅ 聚类中心 / Medoid / Exemplar 标记

✅ 各类别样本数量柱状图

✅ FCM 最大隶属度分布

✅ DBSCAN 邻域点数分布

✅ DENCLUE 核密度等高线

✅ GMM 概率密度等高线

✅ 谱聚类特征值与谱间隙

✅ 层次聚类树状图

✅ CLIQUE 网格密度热力图

同样是做聚类，结果图完全可以不止一张“彩色散点图”。尤其是做毕业论文、SCI论文或者算法对比实验时，怎么把结果展示出来，本身就是非常重要的一环。

03｜一张“选算法”速查表

最后

很多时候，收藏 10 篇零散教程，不如把 10 种算法真正整理成一套。算法原理 + MATLAB 实现 + 结果可视化，才是最适合科研复现的学习方式。

📌 如果你也正在做聚类分析，建议先收藏，后面写论文、做实验的时候大概率用得到。

需要本章 10 种聚类算法完整 MATLAB 源码，可后台回复：

聚类算法

获取代码

也欢迎转发给那个——

“不管什么数据都先跑一遍 K-Means” 的同学。😂