Chamelon是一种层次聚类算法，它采用动态建模来确定一对簇之间的相似度，从而实现聚类。
这里我们重点关注动态建模这个词？
那么，何为动态建模呢？
要回答这个问题，我们首先要搞清楚簇的相似度依据是什么。
在Chamelon中，簇的相似度依据如下两点评估：
1、簇中对象的连接情况；
2、簇的邻近性。
也就是说，如果两个簇的互连性都很高并且他们之间又靠的很近，那么就将其合并。
OK，因此，凭借这两点，我们就可以不用依赖一个静态的、用户提供的模型，而是可以自动的、适应的的去合并簇，从而实现聚类。
仔细想一想，在K-means这种算法里面，我们是给定了簇的一个中心点的，然后再实现聚类和调优的。因此这种聚类方法就等同于我们是给定了一个“球形“（或者”类球形“），然后再去补充，修正它。这就是我们说的依赖一个静态的，用户提供的模型
而Chamelon呢，它是动态的考察自身和其他簇，然后动态的适应，合并簇。因此，他没有什么固定的模型，所以，基于这个特性，它可以发现任意形状的，高质量的簇。这也是这个算法一个巨大优势。
Chamelon算法是一种多阶段层次聚类算法，同之前我们讲过的BIRCH算法一样，它也是分为2个主要阶段的。下面我们来具体看一看这个算法的原理。
先来一张图，看看这个算法的执行流程。
我具体来解释一下这张图，其实也就是解释整个算法了。
首先，Chameleon采用K-最近邻图的方法来构建一个稀疏图（其中，图的每一个顶点代表一个数据对象，如果一个对象是另一个对象的k个最相似的对象之一，那么这两个顶点（对象）之间就存在一条边（这些边加权后反映对象间的相似度））；
然后，Chameleon使用一种图划分算法，把k-个最近邻图划分成大量相对较小的子簇，使得边割最小（划分代价，说白了就是被切断的边上的权重之和最小）。
然后，Chameleon使用一种凝聚层次聚类算法，其基于子簇的相似度（为了确定最相似的子簇，该算法考察每个簇的互连性和邻近性），反复地合并子簇。
其中，最后的一步（使用一种凝聚层次聚类算法，其基于子簇的相似度（互连性和邻近性）反复地合并子簇）应该是Chameleon算法能发现任意性状的聚类的关键所在。
这里涉及到两个指标，即簇的互连性和簇的邻近性。
这两个指标理解起来比较抽象，我大概讲解一下。
簇的互联性（RI）考察的是两个簇之间的互联度和簇内部各元组之间的互联度。如果两个簇的边界距离和各簇内部元组之间的距离大致相同，那么在Chameloen中，就考虑将他们合并在一起。举个例子
在上图中，忽略RI的算法，通常会将（a），（b）聚到一块。而实际上（c），（d）聚为一簇更加理想，因为两簇边界的距离和簇内数据对象之间的距离比较接近。
簇的邻近性则强调对象的相似性，同样举个例子。
在上图中，明明是两个不同颜色的簇（蓝簇和绿簇）。而如果忽略相似性之后，则就会把他们合并成一个簇。这显然是不对的。
而Chameleon算法，就同时考虑了这两个属性来合并子簇，因此，它发现的子簇的质量比较高。
OK，整个算法就是这样。更多的算法实现细节，参加下面的参考文章。
参考文章
Chameleon两阶段聚类算法
数据挖掘（概念与技术）-第三版-Jiawei Han-P303