分类与聚类

分类和聚类的定义

分类是数据挖掘中最重要的任务之一---根据目标属性为目标分配预定义的类标签的过程。

聚类是在无监督学习中应用最广的方法之一---试图将数据集中的所有数据划分为若干个子集。（一般为不相交）

两者区别

分类和聚类之间有相似之处，看起来相似，但又有所不同。

分类	聚类
有监督学习方法	无监督学习方法
向模型提供特定标签，对新目标结果进行分类，并且模型需要适当的测试和训练来进行标签的验证	聚类的分组是在相似性的基础上进行的
需要训练数据（并且带标签）	不需要训练数据（数据不带标签）
使用算法根据训练数据集的观察对新的数据进行分类	使用统计学概念，其中数据集被划分为具有相同特征的子集（通常为不相交）
目标不同，其目标为从一组预定义的类中找出一个新对象属于哪个类	其目标为对一组数据进行分组，并且查找他们之间是否存在相关关系
基本功能是预测	基本功能是降维
待处理数据为单一数据	待处理数据为同时处理所有数据
典型分类算法：逻辑回归法、K-最近邻法、朴素贝叶斯方法、神经网络方法、判别分析法	典型聚类算法：分区方法、层次聚类、模糊聚类、基于密度的聚类、基于模型的聚类