系统聚类（Systematic Clustering）是一种用于发现数据集中隐藏结构的无监督学习方法。它通过将数据集中的样本根据相似性进行分组，形成不同的簇。常用的系统聚类方法包括以下几种：
1. K-means 聚类：K-means 聚类是一种基于距离的聚类算法，它将数据集划分为K个簇，使得每个簇中的数据点到其中心点的距离最小。K-means 聚类算法的优点是简单易实现，但缺点是容易受到初始值的影响，且对高维数据和噪声数据敏感。
2. hierarchical clustering：层次聚类（Hierarchical Clustering）是一种自底向上的聚类方法，它将数据集分为多个层次，每个层次表示一个簇。层次聚类算法的优点是能够自动发现数据的层次结构，适用于大型数据集；缺点是需要多次迭代计算，计算复杂度较高。
3. DBSCAN（Density-Based Spatial Clustering of Applications with Noise）：基于密度的聚类（DBSCAN）是一种基于密度的聚类算法，它通过计算样本点之间的密度来判断它们是否属于同一个簇。DBSCAN算法的优点是能够发现任意形状的簇，适用于高维数据和噪声数据；缺点是对于噪声数据敏感，需要选择合适的参数以避免过拟合。
4. AGNES：AGNES（Affinity Graph Based on Negative Sampling）是一种基于图的聚类算法，它将数据集中的样本点表示为图的节点，边的权重表示样本点之间的相似性。AGNES算法的优点是能够发现高维数据中的稀疏模式，适用于大规模数据集；缺点是需要计算图的邻接矩阵，计算复杂度较高。
5. CLIQUE：CLIQUE（Clustering in Iterative Learning）是一种基于局部一致性的聚类算法，它通过迭代地调整簇内样本点的权重来学习簇内样本点之间的相似性。CLIQUE算法的优点是能够发现紧凑的簇，适用于大型数据集；缺点是收敛速度较慢，需要多次迭代计算。
6. Label Propagation：Label Propagation（标签传播）是一种基于图的聚类算法，它将数据集中的样本点表示为图的节点，边的权重表示样本点之间的相似性。Label Propagation算法的优点是能够发现高维数据中的稀疏模式，适用于大规模数据集；缺点是需要计算图的邻接矩阵，计算复杂度较高。
7. Fast Greedy Clustering：Fast Greedy Clustering（快速贪婪聚类）是一种基于贪心策略的聚类算法，它通过贪心地选择距离最近的样本点来形成簇。Fast Greedy Clustering算法的优点是收敛速度快，适用于大规模数据集；缺点是可能陷入局部最优解。
这些常用的系统聚类方法各有优缺点，实际应用中可以根据具体需求选择合适的算法进行聚类分析。
