canopy是聚類演算法的一種實現

它是一種快速，簡單，但是不太準確的聚類演算法

canopy通過兩個人為確定的閾值t1，t2來對資料進行計算，可以達到將一堆混亂的資料分類成有一定規則的n個數據堆

由於canopy演算法本身的目的只是將混亂的資料劃分成大概的幾個類別，所以它是不太準確的

但是通過canopy計算出來的n個類別可以用在kmeans演算法中的k值的確定（因為人為無法準確的確定k值到底要多少才合適，而有kmeans演算法本身隨機產生的話結果可能不是很精確。有關kmeans演算法的解釋請看點選開啟連結）

canopy演算法流程如下：

（1）確定兩個閾值t1，t2（確保t1一定大於t2）

（2）從資料集合中隨機選出一個數據，計算這個資料到canopy的距離（如果當前沒有canopy，則該點直接作為canopy）

（3）如果這個距離小於t1，則給這個資料標上弱標記，將t1加入這個canopy中（同時這個資料可以作為新的canopy來計算其他資料到這個點的距離）

（4）如果這個距離小於t2，則給這個資料標上強標記，並將其中資料集合中刪除，此時認為這個資料點距離該canopy已經足夠近了，不可能在形成新的canopy

（5）重複2-4的過程，直至資料集合中沒有資料

這裡的canopy指的是作為要劃分資料的中心點，以這個canopy為中心，t2為半徑，形成一個小圓。t1為半徑，形成一個大圓。在小圓範圍內的資料點被認為一定屬於這個canopy，不能作為一個新的canopy來劃分資料，而小圓範圍外，大圓範圍內的資料則又可以作為新的canopy來劃分資料

劃分完之後的資料類似下圖

虛線的圈是t2，實線的圈是t1

可以看到canopy演算法將可以將一堆雜亂的資料大致的劃分為幾塊

所以canopy演算法一般會和kmeans演算法配合使用來到達使用者的目的

在使用canopy演算法時，閾值t1，t2的確定是十分重要的

t1的值過大，會導致更多的資料會被重複迭代，形成過多的canopy；值過小則導致相反的效果

t2的值過大，會導致一個canopy中的資料太多，反之則過少

這樣的情況都會導致執行的結果不準確