K-means优化： k-means++:假设已经选取了n个初始聚类中心（0<n<k）,则在选取第n+1个聚类中心时：距离当前n个聚类中心越远的点会有更高的概率被选为第n+1个聚类中心，在选取第一个聚类中心（n=1）时同样通过随机的方法。可以说这也符合我们的直觉：聚类中心当然是互相离得越远越好。 ISODATA:类别数目随着聚类过程而变化，对类别数的‘合并’（当聚类结果某一类中样本数太少，或两个类间聚类太近），‘分裂’（当聚类结果中某一类的内方差太大，将该类进行分裂）。 Kernel K-means:将每个样本进行一个投射到高维空间的处理，然后再将处理后的数据使用普通的K-means算法进行聚类。 二分K-means：将所有的点作为一个簇，然后将该簇一分为二。之后选择能最大限度降低聚类代价函数（也就是误差平方和）和簇划分为两个簇，依次进行下去，知道簇的数目等于用户给定的数目K为止。隐含的一个原则是：因为聚类的误差平方和能够衡量聚类性能，该值越小表示数据点越接近于他们的质心，聚类效果就越好。所有我们就需要对误差平方和最大的簇进行再一次划分，因为误差平方和越大，表示这个簇的聚类效果越不好，越有可能是多个簇被当成了一个簇，所有我们首先需要对这个簇进行划分。二分K均值算法可以加速K-means算法的执行速度，因为它的相似度计算少了不受初始化问题的影响，因为这里不存在随机点的选取，且每一个都保证了误差最小。 Mini Batch K-means（适合大数据的聚类算法）：通过样本量大于一万做聚类时，需要考虑选用此算法。他使用了一种叫做Mini Batch（分批处理）的方法对数据点之间的距离进行计算。Mini Batch的好处是计算过程中不必使用所有的数据样本，二十从不同类别的样本中抽取一部分样本来代表各自类型进行计算。由于计算样本量少，所以会相应的减少运行时间，但另一方面抽样也必然会带来准确度的下降。