• روش­های انحصاری در مقابل روش­های غیر انحصاری: روش­های انحصاری روش­هایی هستند که هر گونه تنها به یک گروه تعلق می­گیرد در حالی که روش­های غیر انحصاری یک فرد به یک یا چند گروه تعلق می­گیرد. روش­های کلاسیک خوشه­بندی از جمله روش­های انحصاری و روش­های خوشه­بندی فازی از جمله روش­های غیر انحصاری هستند.
• روش­های تکرار توالی در مقابل روش­های همزمان: در روش­های تکرار توالی عمل خوشه­بندی در دفعات متفاوت بر روی افراد انجام می­گیرد در حالیکه در روش­های همزمان این عمل به طور آنی بر روی همه افراد انجام می­شود.
• روش­های سلسله مراتبی در مقابل روش­های غیرسلسله مراتبی: در روش­های سلسله مراتبی خوشه­ها به شکل سلسله مراتبی از خوشه­های یزرگ تا کوچک و یا برعکس از خوشه­های کوچک تا بزرگ تعیین می­شوند. به عبارت دیگر در این روش­ها افراد در یک خوشه قرار می­گیرند که خود این خوشه نیز به خوشه­های دیگری تقسیم می­شود. در روش­های غیرسلسله مراتبی افراد به طور مستقیم در خوشه­های متفاوتی قرار می­گیرند.
• روش­های تجمعی در مقابل روش­های مقسمی: در روش­های تجمعی شبیه­ترین گونه­ها در یک خوشه قرار گرفته و این خوشه­ها با خوشه­های دیگر تلفیق شده تا خوشه بزرگتری را به وجود آورند و این عمل تا رسیدن به بزرگترین خوشه که همه گونه­ها در آن قرار دارند ادامه می­یابد. در روش­های مقسمی ابتدا گونه­ها به دو خوشه تقسیم شده سپس این خوشه­ها به خوشه­های ریزتری تقسیم می­شوند و این عمل تا رسیدن به خوشه­هایی که ارزش اکولوژیکی داشته ادامه می­یابد.
• روش­های چندصفتی در مقابل روش­های تک صفتی: برای قراردادن گونه­ها در خوشه­های متفاوت در روش­های چندصفتی از تمامی خصوصیات(متغیرها) آن­ها استفاده می­شود در صورتی که در روش­های تک صفتی تنها از یک ویژگی(متغیر) برای خوشه­بندی استفاده می­شود.

–        روش­های سلسله مراتبی

در روش­های سلسله مراتبی افراد شبیه به هم در یک خوشه قرار می­گیرند و در هر خوشه نیز زیر طبقاتی استخراج می­شود. یکی از مزیت­های روش­های سلسله مراتبی این است که در هر سطح از سلسله مراتب می توان اطلاعات مشخصی را استخراج کرد. برای داده-های بزرگ که در خوشه­های حاصل از آن­ها 50 یا تعداد افراد بیشتری قرار می­گیرد این روش کارایی خود را از دست می-دهد ولی روش­های غیر سلسله مراتبی برای داده­های با حجم زیاد بکار می­روند. در روش­های سلسله مراتبی همه افراد خوشه­بندی می­شوند و امکان تصحیح خوشه­بندی­های ضعیف وجود ندارد و اطلاعات اضافی و افراد پرت نیز خوشه­بندی می­شوند که این موضوع منجر به درک نادرست از روابط بین خوشه­ها می­شود. این مشکل در روش­های غیرسلسله مراتبی وجود ندارد. روش­های سلسله مراتبی روابط بین خوشه­ها را آشکار می­ کنند درحالیکه در روش­های غیرسلسله مراتبی این روابط استخراج نمی­ شود. در انتخاب بین روش­های سلسله مراتبی و غیرسلسله مراتبی به نکات زیر باید توجه شود:

• برای خوشه­بندی داده­های با حجم کم از روش­های سلسله مراتبی استفاده کنید.
• برای خوشه­بندی داده­های با حجم زیاد ابتدا از روش­های غیرسلسله مراتبی استفاده کنید.

و سپس بر روی خوشه­های استخراجی که تعداد افراد آن زیاد است روش­های سلسله مراتبی را انجام دهید. از نظر هدف و روش کار روش­های سلسله مراتبی بسیار متنوع هستند. این روش­ها به دو گروه تجمعی و مقسمی تقسیم می­شوند. روش­های مقسمی به دو گروه تک صفتی و چندصفتی تقسیم شده که در تک صفتی تنها از یک متغیر برای خوشه­بندی و در چندصفتی از همه متغیر­ها برای خوشه­بندی گونه­ها استفاده می­شود در حالیکه روش­های تجمعی تنها چند صفتی هستند و از اطلاعات همه متغیرها برای خوشه­بندی گونه­ها استفاده می­شود.

–      روش­های غیر سلسله مراتبی

بوم شناسان در اکثر موارد تعداد زیادی متغیر را بر روی افراد یا گونه­های مختلف اندازه ­گیری می­ کنند و برای استخراج الگوهای مهم مبادرت به حذف اطلاعات اضافی می­ کنند تا الگوی مورد نظر آن­ها در زیر اطلاعات اضافی و پرت پنهان نماند. روش­های خوشه­بندی غیر سلسله مراتبی راه حل مناسبی برای رسیدن به این هدف است. این روش­ها اساساً هر گونه را در یک خوشه قرار می­ دهند و رابطه بین خوشه­های مختلف در آن­ها مشخص نمی­ شود. در همه این روش­ها همگنی درون خوشه­ها افزایش می­یابد و این امر امکان استنباط درباره خصوصیات هر گونه بر اساس عضویتش در خوشه را ممکن می­سازد. این خصوصیت باعث می­شود افراد اضافی و پرت شناخته شوند. در حالیکه در روش­های سلسله مراتبی شناخت افراد و اطلاعات اضافی به طور مشخص امکان­پذیر نیست. با این وجود در روش­های غیر سلسله مراتبی روابط بین خوشه­های استخراجی مشخص نمی­ شود در حالیکه در روش­های سلسله مراتبی این امر امکان­پذیر است. این روش­ها به دو گروه مقسمی و تجمعی تقسیم می­شوند که خوشه­بندی ترکیبی از جمله روش­های مقسمی و روش­های مبتنی بر K و روش حداقل واریانس جداسازی از جمله روش­های تجمعی است.

• روش خوشه‌بندی K-Means(C-Means یا C-Centeriod)

این روش علی‌­رغم سادگی آن یک روش پایه برای بسیاری از روش‌های خوشه‌­بندی دیگر(مانند خوشه‌بندی فازی) محسوب می‌­شود. این روش روشی انحصاری و مسطح محسوب می‌شود. برای این الگوریتم شکل­های مختلفی بیان شده است. ولی همه­ی آن­ها دارای روالی تکراری هستند که برای تعدادی ثابت از خوشه‌ها سعی در تخمین موارد زیر دارند: