下载掌阅APP，畅读海量书库
立即打开
基于试探法的聚类设计采用假设某种分类方案，确定一种聚类准则，计算 J 值，找到 J 值最小的那一种分类方案，则认为该种方法为最优分类。基于试探的未知类别聚类算法，包括最临近规则的试探法和最大最小距离算法。
假设前 i 个样品已经被分到 k 个类中。则第 i ＋1个样品应该归入哪一个类中？假设归入 ω a 类，要使 J 最小，则应满足第 i ＋1个样品到 ω a 类的距离小于给定的阈值，若大于给定的阈值T，则应为其建立一个新的类 ω k ＋1。在未将所有的样品分类前，类数是不能确定的。
这种算法与第一个中心的选取、阈值T的大小、样品排列次序及样品分布的几何特性有关。这种方法运算简单，当有关于模式几何分布的先验知识作指导给出阈值T及初始点时，则能较快地获得合理的聚类结果。
最临近规则的试探法受到阈值T的影响很大。阈值的选取是聚类成败的关键之一。最大最小距离算法充分利用样品内部特性，计算出所有样品间的最大距离作为归类阈值的参考，改善了分类的准确性。例如，采用某样品到某一个聚类中心的距离小于最大距离的一半，则归入该类，否则建立新的聚类中心。
层次聚类方法对给定的数据集进行层次的分解，直到某种条件满足为止。具体又可分为合并、分裂两种方案。
合并的层次聚类是一种自底向上的策略，首先将每个对象作为一个类，然后根据类间距离的不同，合并距离小于阈值的类，合并一些相似的样品，直到终结条件被满足，合并算法会在每一步减小聚类中心数量，聚类产生的结果来自于前一步的两个聚类的合并；绝大多数层次聚类方法属于这一类，它们只是在相似度的定义上有所不同。
分裂的层次聚类与合并的层次聚类相反，采用自顶向下的策略，它首先将所有对象置于同一个簇中，然后逐渐细分为越来越小的样品簇，直到达到了某个终止条件。分裂算法与合并算法的原理相反，在每一步增加聚类中心数量，每一步聚类产生的结果，都是将前一步的一个聚类中心分裂成两个得到的。