比較分類算法的話，大概考慮這幾個次元：時間空間複雜度，魯棒性，參數敏感性，處理不規則形狀，适合的類數量，類間差異（範圍大小，樣本個數，形狀差異）
除了這些聚類方法以外，統計老師講過一些傳統的聚類方法，歸屬于系統聚類的範疇，先定義觀測間的距離和類之間的距離計算方法，然後按照距離把最接近的兩個觀測（類）合并，直到合并成一個大類為止。
最短距離法：
類間距為兩類中最近觀測的距離。
不限制類形狀，對拉長的分布效果好，會删除邊緣的觀測點
最長距離法：
類間距為兩類中最遠觀測的距離。
傾向于産生直徑相等的類，易受異常值影響。
中間距離法：
類間距為最長距、最短距、類内距離的權重。
重心法：
類間距為兩類重心之間的距離
對奇異值穩健
類平均法：
類間距為兩類觀測之間距離的平均值。
傾向于先合并方差小的類，偏向于産生方差相同的類。
離差平方和法：
将合并後類内方差最小的兩類合并
傾向于産生數量相等的兩類，對異常值敏感
密度估計：
較遠的距離設為無窮。較近的兩個樣本，距離與局部密度成反比。
适用于不規則形狀類，不适用樣本數太少。
兩階段密度估計：
用密度估計計算距離，再用最短距離法聚類。
普适性較強
除了以上這些常見方法，值得一提的是去年發在science上的算法 fast search and find of density peaks. 這個方法克服了dbscan中不同類的密度差别大，鄰域範圍難以設定的問題，非常魯棒，看起來棒棒的。
ps：如果希望聚的效果好，距離度量方法有時候比聚類方法更重要。