聚类的应用有哪些？
聚类有多种应用，如下所示-
可扩展性-一些聚类算法在包括少于200个数据对象的小数据集中运行良好；然而，一个庞大的数据库可以包含数百万个对象。对给定的庞大数据集的样本进行聚类可能会导致有偏差的结果。需要高度可扩展的聚类算法。
处理不同类型属性的能力-一些算法旨在对基于间隔的（数字）记录进行聚类。但是，应用程序可能需要对多种类型的数据进行聚类，包括二进制、分类（名义）和序数数据，或这些数据类型的组合。
发现任意形状的集群-一些聚类算法根据欧几里德或曼哈顿距离度量确定集群。基于这种距离度量的算法倾向于发现具有相同大小和密度的球形簇。然而，簇可以是任何形状。开发能够识别任意形状集群的算法至关重要。
确定输入参数对领域知识的最低要求-一些聚类算法需要用户在聚类分析中输入特定参数（包括所需聚类的数量）。聚类结果对输入参数非常敏感。参数很难决定，特别是对于包含高维对象的数据集。这不仅给用户带来负担，而且造成难以控制的聚类质量。
处理嘈杂数据的能力-一些真实世界的数据库包括异常值或丢失、未知或错误的记录。一些聚类算法对此类数据很敏感，可能会导致聚类质量较差。
对输入记录的顺序不敏感-一些聚类算法对输入数据的顺序做出响应，例如，类似的数据集，当向这种算法提供多个排序时，它可以生成截然不同的聚类。开发对输入顺序无响应的算法至关重要。
高维-数据库或数据仓库可以包含多个维度或属性。一些聚类算法最擅长管理仅包含两到三个维度的低维数据。人眼最擅长确定最多三个维度的聚类质量。在高维空间中对数据对象进行聚类是有争议的，特别是考虑到高维空间中的数据可能非常不足且被高度错误表示。
基于约束的聚类-现实世界的应用程序可能需要在多种类型的约束下执行聚类。考虑到您的工作是为城市中给定数量的新自动取款机(ATM)选择区域。