Trong phân cụm dựa trên mẫu, một cụm là một nhóm các đối tượng mà trong đó một số đối tượng gần hơn với mẫu (prototype) đại diện cho cụm đó so với mẫu của các cụm khác. Một thuật toán phân cụm dựa trên mẫu đơn giản sử dụng trọng tâm của các phần tử trong một cụm làm mẫu của cụm đó.
Có nhiều phương pháp phân cụm dựa trên mẫu như sau:
Các đối tượng được phép thuộc về nhiều hơn một cụm. Hơn nữa, một đối tượng thuộc về mỗi cụm với một trọng số nhất định. Phương pháp này giải quyết thực tế rằng một số đối tượng gần như cách đẳng với nhiều mẫu cụm.
Một cụm được mô hình hóa dưới dạng một phân phối thống kê, tức là các đối tượng được tạo ra bởi một quá trình ngẫu nhiên từ một phân phối thống kê được đặc trưng bởi nhiều tham số thống kê, bao gồm giá trị trung bình và phương sai. Quan điểm này khái quát hóa khái niệm mẫu và cho phép sử dụng các phương pháp thống kê đã được thiết lập.
Các cụm bị ràng buộc có các mối liên kết hằng số. Các mối quan hệ này là các ràng buộc xác định các mối quan hệ lân cận, chẳng hạn như mức độ mà hai cụm là lân cận của nhau. Việc ràng buộc các mối quan hệ giữa các cụm có thể xác định việc thực thi và trực quan hóa dữ liệu.
Fuzzy c-means sử dụng các khái niệm từ lĩnh vực logic mờ và lý thuyết tập mờ để đề xuất một thiết kế phân cụm, giống như K-means, nhưng không yêu cầu gán cứng một điểm vào chỉ một cụm.
Phân cụm mô hình hỗn hợp (Mixture model clustering) tiếp cận việc một nhóm các cụm có thể được mô hình hóa dưới dạng tổ hợp các phân phối, một cho mỗi cụm. Sơ đồ phân cụm dựa trên Bản đồ Tự Tổ chức (SOM) thực hiện phân cụm trong một cấu trúc yêu cầu các cụm có các mối liên kết được chỉ định trước với nhau, bao gồm cấu trúc lưới hai chiều.
Phân cụm mờ (Fuzzy Clustering) – Nếu các đối tượng dữ liệu được phân bố trong các tập hợp độc lập tốt, thì việc mô tả rõ ràng các đối tượng thành các cụm rời rạc dường như là một phương pháp lý tưởng. Nhưng trong một số trường hợp, các đối tượng trong tập dữ liệu không thể chia thành các cụm độc lập tốt, và sẽ có một sự tùy tiện cụ thể trong việc gán một đối tượng cho một cụm cụ thể.
Xét một đối tượng nằm gần ranh giới của hai cụm, nhưng gần hơn với một trong số chúng. Trong một số trường hợp, có thể phù hợp hơn để gán một trọng số cho mỗi đối tượng và mỗi cụm biểu thị mức độ mà đối tượng thuộc về cụm.
Các phương pháp xác suất cũng có thể hỗ trợ các trọng số này. Mặc dù các phương pháp xác suất có lợi trong nhiều tình huống, nhưng có những lúc khó xác định một mô hình thống kê phù hợp. Trong các trường hợp chung, cần các phương pháp phân cụm không xác suất để cung cấp các khả năng tương tự.