क्लस्टरिंग के विभिन्न अनुप्रयोग निम्नलिखित हैं:
स्केलेबिलिटी (Scalability) - कुछ क्लस्टरिंग एल्गोरिदम छोटे डेटा सेट में अच्छी तरह से काम करते हैं जिनमें 200 से कम डेटा ऑब्जेक्ट होते हैं; हालांकि, एक विशाल डेटाबेस में लाखों ऑब्जेक्ट शामिल हो सकते हैं। दिए गए विशाल डेटा सेट के नमूने पर क्लस्टरिंग से पक्षपाती परिणाम हो सकते हैं। अत्यधिक स्केलेबल क्लस्टरिंग एल्गोरिदम आवश्यक हैं।
विभिन्न प्रकार के एट्रिब्यूट से निपटने की क्षमता (Ability to deal with different types of attributes) - कुछ एल्गोरिदम अंतराल-आधारित (संख्यात्मक) रिकॉर्ड को क्लस्टर करने के लिए डिज़ाइन किए गए हैं। हालांकि, एप्लिकेशन को बाइनरी, कैटेगोरिकल (नाममात्र), और क्रमिक डेटा, या इन डेटा प्रकारों के संयोजन सहित कई प्रकार के डेटा को क्लस्टर करने की आवश्यकता हो सकती है।
मनमाने आकार के क्लस्टर की खोज (Discovery of clusters with arbitrary shape) - कुछ क्लस्टरिंग एल्गोरिदम यूक्लिडियन या मैनहट्टन दूरी माप के आधार पर क्लस्टर निर्धारित करते हैं। ऐसे दूरी माप पर आधारित एल्गोरिदम समान आकार और घनत्व के गोलाकार क्लस्टर खोजने की प्रवृत्ति रखते हैं। हालांकि, एक क्लस्टर किसी भी आकार का हो सकता है। मनमाने आकार के क्लस्टर की पहचान करने वाले एल्गोरिदम विकसित करना आवश्यक है।
इनपुट पैरामीटर निर्धारित करने के लिए डोमेन ज्ञान की न्यूनतम आवश्यकताएं (Minimal requirements for domain knowledge to determine input parameters) - कुछ क्लस्टरिंग एल्गोरिदम उपयोगकर्ताओं को क्लस्टर विश्लेषण में विशिष्ट पैरामीटर इनपुट करने की आवश्यकता होती है (वांछित क्लस्टर की संख्या सहित)। क्लस्टरिंग परिणाम इनपुट पैरामीटर के प्रति काफी संवेदनशील होते हैं। पैरामीटर तय करना कठिन है, विशेष रूप से उच्च-आयामी ऑब्जेक्ट वाले डेटा सेट के लिए। यह न केवल उपयोगकर्ताओं पर बोझ डालता है बल्कि क्लस्टरिंग की गुणवत्ता को नियंत्रित करना भी कठिन बनाता है।
शोर वाले डेटा से निपटने की क्षमता (Ability to deal with noisy data) - कुछ वास्तविक-विश्व डेटाबेस में आउटलेयर या लापता, अज्ञात, या गलत रिकॉर्ड शामिल होते हैं। कुछ क्लस्टरिंग एल्गोरिदम ऐसे डेटा के प्रति संवेदनशील होते हैं और खराब गुणवत्ता वाले क्लस्टर का कारण बन सकते हैं।
इनपुट रिकॉर्ड के क्रम के प्रति असंवेदनशीलता (Insensitivity to the order of input records) - कुछ क्लस्टरिंग एल्गोरिदम इनपुट डेटा के क्रम के प्रति संवेदनशील होते हैं, उदाहरण के लिए, डेटा का समान सेट, जब कई क्रमों के साथ ऐसे एल्गोरिदम को प्रस्तुत किया जाता है, तो यह नाटकीय रूप से अलग क्लस्टर उत्पन्न कर सकता है। ऐसे एल्गोरिदम विकसित करना आवश्यक है जो इनपुट के क्रम के प्रति असंवेदनशील हों।
उच्च आयामता (High dimensionality) - एक डेटाबेस या डेटा वेयरहाउस में कई आयाम या एट्रिब्यूट शामिल हो सकते हैं। कुछ क्लस्टरिंग एल्गोरिदम कम-आयामी डेटा को प्रबंधित करने में सर्वश्रेष्ठ हैं, जिसमें केवल दो से तीन आयाम होते हैं। मानव आंखें तीन आयामों तक क्लस्टरिंग की गुणवत्ता निर्धारित करने में सर्वश्रेष्ठ हैं। उच्च-आयामी स्थान में डेटा ऑब्जेक्ट को क्लस्टर करना विवादास्पद है, विशेष रूप से यह देखते हुए कि उच्च-आयामी स्थान में डेटा बहुत अपर्याप्त और अत्यधिक गलत प्रतिनिधित्व वाला हो सकता है।
कॉन्स्ट्रेंट-बेस्ड क्लस्टरिंग (Constraint-based clustering) - वास्तविक-विश्व एप्लिकेशन को कई प्रकार के प्रतिबंधों के तहत क्लस्टरिंग करने की आवश्यकता हो सकती है। विचार करें कि आपका काम एक शहर में दी गई संख्या में नए ऑटोमैटिक कैश स्टेशन (ATM) के लिए क्षेत्रों का चयन करना है।
