模式类比（Pattern-based clustering）是一种无监督学习方法，用于将数据集划分为具有相似特征的对象组。以下是一些常见的模式类聚类型：
K-均值聚类（K-means Clustering）：这是最常用的模式类聚算法之一。它试图将数据划分为K个不重叠的子集（称为簇），使得每个簇内部的数据点尽可能相似，而不同簇之间的数据点尽可能不同。K-均值聚类需要预先确定簇的数量K。
层次聚类（Hierarchical Clustering）：层次聚类算法通过计算不同类别数据点间的相似度来创建一棵有层次的嵌套聚类树。在树的最低层，每个数据点都被看作是一个单独的簇。然后，算法逐步合并最相似的簇对，直到满足某个停止条件（如达到预定的簇数或达到预定的距离阈值）。
DBSCAN（Density-Based Spatial Clustering of Applications with Noise）：DBSCAN是一种基于密度的聚类方法，能够发现任意形状的簇，并识别噪声点。该算法将密度相连的数据点划分为一个簇，并在数据集中添加由密度连接的数据点组成的边界。
谱聚类（Spectral Clustering）：谱聚类算法利用数据的特征向量进行聚类。它首先根据数据的相似度构建边的权重，然后利用图的拉普拉斯矩阵的特征向量进行聚类。
均值漂移（Mean Shift）：均值漂移是一种基于密度的聚类算法，用于寻找数据中的概率分布峰值。该算法将每个数据点视为一个概率分布，并将其移动到与其相似度更高的数据点的均值位置。
谱聚类（Spectral Clustering）：谱聚类算法利用数据的特征向量进行聚类。它首先根据数据的相似度构建边的权重，然后利用图的拉普拉斯矩阵的特征向量进行聚类。
这些模式类聚类型具有不同的特点和适用场景，可以根据实际需求选择合适的算法进行数据聚类。
