模糊划分矩阵的无限可能性构成了一个称为模糊划分空间的集合。在模糊聚类分析中，寻找最优分类的关键在于最小化样本与各类聚类中心之间的距离平方和。由于样本可能具有多维度的隶属度，因此评估时需综合考虑与各个类别的距离。
然而，逐步聚类算法的实施过程复杂，需要多次迭代计算，这在计算资源有限的电子计算机上执行可能会耗费大量时间。一旦获得了最优的模糊划分矩阵，还需进一步计算对应的常规划分。这时，可以将计算得到的聚类中心存储在计算机中，每个样本再逐个与这些中心进行比较，选择最接近的一类作为归属。
这种方法的一个局限是需要预先设定分类数量，如果这个数量不准确，可能需要重新计算。相比之下，基于模糊等价关系的系统聚类方法更为灵活，它可以直接给出各类别的模式样本，也就是聚类中心，这通常正是我们所期望的结果。因此，可以先使用模糊等价关系的结果作为初始分类，然后通过迭代优化得到更精确的分类结果。
聚类分析是数理统计中的一种多元分析方法，它是用数学方法定量地确定样本的亲疏关系，从而客观地划分类型。