生成分开的数据并可视化：

用 CriterionFunction 的不同设置生成聚类数据

对比两个数据的聚类：

用 CanberraDistance 作为连续数据的距离测量方法：

在默认的情况下，由 SquaredEuclideanDistance 获得聚类：

用 DiceDissimilarity 作为布尔数据的距离测量方法：

用 MatchingDissimilarity 作为布尔数据的距离测量方法：

用 HammingDistance 作为字符串数据的距离测量方法：

定义一个距离函数作为纯函数：

查找一系列图像的聚类：

创建自定义 FeatureExtractor 来提取特征：

使用 FeatureNames 来命名特征，然后在进一步说明中引用其名称：

使用 FeatureTypes 强制对特征的解释：

与假定名义特征获得结果比较：

按等级生成聚类数据：

按默认方法获得聚类：

生成正态分布数据并可视化：

通过用 k-均值方法将数据聚集于 4 个聚类中：

用未指定聚类数目的 "GaussianMixture" 方法生成聚类数据：

生成均匀分布的数据：

通过用 k-均值方法将数据聚集于 2 个聚类中：

用未指定聚类数目的 "DBSCAN" 方法生成聚类数据：

生成颜色列表：

用 k-均值方法将颜色聚集于 5 个聚类中：

用未指定聚类数目的 "MeanShift" 方法生成聚类颜色：

用未指定聚类数目的 "NeighborhoodContraction" 方法生成聚类颜色：

用 "NeighborhoodContraction" 方法和子选项生成聚类颜色：

生成长度为 1000 的 500 个随机数值向量：

计算它们的聚类，并操作基准对操作进行评价：

将 PerformanceGoal 设置为 "Speed"，执行同一操作：

产生 500 个随机二维数字向量：

进行几次聚类计算并比较结果：

通过改变 RandomSeeding 选项进行几次聚类计算并比较结果：

获取分配给某些数字数据的聚类：

当更改给与每个数字的权重时候，查看按聚类的分配：

求 个五维向量的聚类：

通过迭代合并两个最相似的聚类来计算聚类：

计算平均簇内距离：

与整个集合相比较：

通过使用较小的 "NeighborhoodRadius" 进行聚类来检测近重复点：

使用第 10 小的成对距离求候选阈值：

用 "NeighborhoodContraction" 方法来计算聚类：

可视化聚类：

定义一个可接受自定义阈值的函数：

可视化不同阈值的效果：

基于元素间差异的数量对基因组序列进行聚类：

在二元数据中获得并可视化聚类：

在三维空间中可视化聚类：