摘要：本文简述了人工智能的重要分支——机器学习的核心算法之一——聚类算法，并用C#实现了一套完全交互式的、可由用户自由发挥的，适用于聚类算法的训练数据集生成软件——Clustering。用户使用鼠标左键（拖动）即可生成任意形状，任意维度，任意簇数及各种数据范围的训练数据集，同时也可以保存该数据集的模拟图形与未来的计算结果进行对照。

一、聚类算法（Clustering Algorithms）

1、概述

聚类方法是最有用的无监督的机器学习（Machine Learning）方法之一。这些方法用于发现数据样本之间的相似性以及关系模式，然后根据特征将这些样本聚类为具有相似性的组。

聚类很重要，因为它决定了当前未标记数据之间的内在分组。他们基本上对数据点进行一些假设，以构成它们的相似性。每个假设将构造不同但同样有效的集群。

聚类算法主要有：

1）基于密度

在这些方法中，簇被形成为密集区域。这些方法的优点是，它们具有良好的准确性以及合并两个集群的良好能力。例如，基于密度的含噪应用程序空间聚类（DBSCAN），确定聚类结构的排序点（光学）等。

2）基于层次结构

在这些方法中，集群根据层次结构形成树状结构。它们有两类，即凝聚（自下而上的方法）