聚类与分类异同点及应用

@陈娇娇15834847103：数据分类和聚类有什么区别-主要区别是，性质不同、目的不同、应用不同，具体如下：一、性质不同1、数据分类数据分类就是把具有某种共同属性或特征的数据归并在一起，通过其类别的属性或特征来对数据进行区别。为了实现数据共享和提高处理效率，必须遵循约定的分类原则和方法，按照信息的内涵、性质及管理的要求，将系统内所有信息按一定的结构体系分为不同的集合，从而使得每个信息在相应的分类体系中都有一个对应位置。

2、数据聚类数据聚类是指根据数据的内在性质将数据分成一些聚合类，每一聚合类中的元素尽可能具有相同的特性，不同聚合类之间的特性差别尽可能大。二、目的不同1、数据分类数据分类的目的是根据新数据对象的属性，将其分配到一个正确的类别中。2、数据聚类聚类分析的目的是分析数据是否属于各个独立的分组，使一组中的成员彼此相似，而与其他组中的成员不同。三、应用不同1、数据分类应用于统计学、计算机控制。2、数据聚类广泛应用于机器学习，数据挖掘，模式识别，图像分析以及生物信息等。以上内容参考百度百科-数据分类、百度百科-数据聚类

@向巧丽15364925872：数据挖掘中分类与聚类区别与关系-一个是有规则进行，一个是无规则进行。分类是根据规则进行的，可以根据新的已有类别数据修正分类规则，不断提高其分类准确性。聚类是纯粹的根据已有数据进行系统把数据聚类，有可能聚类出来的没有实际意义。分类是数据挖掘中的一项非常重要的任务，从机器学习的观点，分类技术是一种有指导的学习，即每个训练样本的数据对象已经有类标识，通过学习可以形成表达数据对象与类标识间对应的知识。从这个意义上说，数据挖掘的目标就是根据样本数据形成的类知识并对源数据进行分类，进而也可以预测未来数据的归类。与分类技术不同，在机器学习中，聚类是一种无指导学习。聚类是在预先不知道欲划分类的情况下，根据信息相似度原则进行信息聚类的一种方法。聚类的目的是使得属于同类别的对象之间的差别尽可能的小，而不同类别上的对象的差别尽可能的大。通过聚类，人们能够识别密集的和稀疏的区域，因而发现全局的分布模式，以及数据属性之间的有趣的关系。想更多了解数据分类与聚类区别，推荐上CDA数据分析师的课程。课程内容兼顾培养解决数据挖掘流程问题的横向能力以及解决数据挖掘算法问题的纵向能力。要求学生具备从数据治理根源出发的思维，通过数字化工作方法来探查业务问题，通过近因分析、宏观根因分析等手段，再选择业务流程优化工具还是算法工具，而非“遇到问题调算法包”。真正理解商业思维，项目思维，能够遇到问题解决问题。点击预约免费试听课

@褚贞13325694745：聚类和分类的区别-聚类是指利用计算机根据样本之间的相似度将整个样本集合聚集成若干个类的过程。其目标是使得属于同一个类的样本尽量相似，而属于不同类的样本差别明显。系统聚类法和k-Means算法是目前聚类分析中应用最多的两种方法。分类是根据已经掌握的每类若干样本的数据信息，总结出分类的规律性，建立判别公式和判别规则。聚类和分类当遇到新的样本时，只需根据判别公式和判别规则，就能判别该样本所属的类别。分类技术包括统计、模式识别、人工智能、神经网络等多个领域。目前常用的分类方法有Bayes判别法、k最近邻(kNN)方法、支持向量机(SVM)方法、决策树方法等。聚类是一种无指导的学习过程，而分类则是有指导的学习过程。聚类和分类的区别还在于：聚类事先没有类表，完全是按照样本间的相似度来进行，即先有样本后有类；而分类则是基于某种预定的类表，将类表中的条目赋给样本，即先有类后有样本。

@沈翠花13841801438：分类和聚类的区别及各自的常见算法-1、分类和聚类的区别：Classification(分类)，对于一个classifier，通常需要你告诉它“这个东西被分为某某类”这样一些例子，理想情况下，一个classifier会从它得到的训练集中进行“学习”，从而具备对未知数据进行分类的能力，这种提供训练数据的过程通常叫做supervisedlearning(监督学习)，Clustering(聚类)，简单地说就是把相似的东西分到一组，聚类的时候，我们并不关心某一类是什么，我们需要实现的目标只是把相似的东西聚到一起。因此，一个聚类算法通常只需要知道如何计算相似度就可以开始工作了，因此clustering通常并不需要使用训练数据进行学习，这在MachineLearning中被称作unsupervisedlearning(无监督学习).2、常见的分类与聚类算法所谓分类，简单来说，就是根据文本的特征或属性，划分到已有的类别中。如在自然语言处理NLP中，我们经常提到的文本分类便就是一个分类问题，一般的模式分类方法都可用于文本分类研究。常用的分类算法包括：决策树分类法，朴素贝叶斯分类算法(nativeBayesianclassifier)、基于支持向量机(SVM)的分类器，神经网络法，k-最近邻法(k-nearestneighbor，kNN)，模糊分类法等等。分类作为一种监督学习方法，要求必须事先明确知道各个类别的信息，并且断言所有待分类项都有一个类别与之对应。但是很多时候上述条件得不到满足，尤其是在处理海量数据的时候，如果通过预处理使得数据满足分类算法的要求，则代价非常大，这时候可以考虑使用聚类算法。而K均值(K-mensclustering)聚类则是最典型的聚类算法(当然，除此之外，还有很多诸如属于划分法K中心点（K-MEDOIDS）算法、CLARANS算法；属于层次法的BIRCH算法、CURE算法、CHAMELEON算法等；基于密度的方法：DBSCAN算法、OPTICS算法、DENCLUE算法等；基于网格的方法：STING算法、CLIQUE算法、WAVE-CLUSTER算法；基于模型的方法)。

@金太红13637883199：分类和聚类的区别及各自的常见算法-学习数据挖掘的朋友，对分类算法和聚类算法都很熟悉。无论是分类算法还是聚类算法，都有许多具体的算法来实现具体的数据分析需求。很多时候，我们难以判断选择分类或者聚类的场合是什么。我们最直观的概念是，分类和聚类都是把某个被分析的对象划分到某个类里面，所以觉得这两种方法实际上是差不多一回事。然而当我们学习了许多具体算法之后再回来看，分类和聚类所实现的数据分析功能实际上是大相径庭的，他们之间不仅仅有算法上的具体差异，更重要的是，甚至他们的应用领域和所解决的具体问题都不一样。1.类别是否预先定义是最直观区别算法书上往往这样解释二者的区别：分类是把某个对象划分到某个具体的已经定义的类别当中，而聚类是把一些对象按照具体特征组织到若干个类别里。虽然都是把某个对象划分到某个类别中，但是分类的类别是已经预定义的，而聚类操作时，某个对象所属的类别却不是预定义的。所以，对象所属类别是否为事先，是二者的最基本区别。而这个区别，仅仅是从算法实现流程来看的。2.二者解决的具体问题不一样分类算法的基本功能是做预测。我们已知某个实体的具体特征，然后想判断这个实体具体属于哪一类，或者根据一些已知条件来估计感兴趣的参数。比如：我们已知某个人存款金额是10000元，这个人没有结婚，并且有一辆车，没有固定住房，然后我们估计判断这个人是否会涉嫌信用欺诈问题。这就是最典型的分类问题，预测的结果为离散值，当预测结果为连续值时，分类算法可以退化为计量经济学中常见的回归模型。分类算法的根本目标是发现新的模式、新的知识，与数据挖掘数据分析的根本目标是一致的。聚类算法的功能是降维。假如待分析的对象很多，我们需要归归类，划划简，从而提高数据分析的效率，这就用到了聚类的算法。很多智能的搜索引擎，会将返回的结果，根据文本的相似程度进行聚类，相似的结果聚在一起，用户就很容易找到他们需要的内容。聚类方法只能起到降低被分析问题的复杂程度的作用，即降维，一百个对象的分析问题可以转化为十个对象类的分析问题。聚类的目标不是发现知识，而是化简问题，聚类算法并不直接解决数据分析的问题，而最多算是数据预处理的过程。3.有监督和无监督分类是有监督的算法，而聚类是无监督的算法。有监督的算法并不是实时的，需要给定一些数据对模型进行训练，有了模型就能预测。新的待估计的对象来了的时候，套进模型，就得到了分类结果。而聚类算法是实时的，换句话说是一次性的，给定统计指标，根据对象与对象之间的相关性，把对象分为若干类。分类算法中，对象所属的类别取决于训练出来的模型，间接地取决于训练集中的数据。而聚类算法中，对象所属的类别，则取决于待分析的其他数据对象。4.数据处理的顺序不同分类算法中，待分析的数据是一个一个处理的，分类的过程，就像给数据贴标签的过程，来一个数据，我放到模型里，然后贴个标签。聚类算法中，待分析的数据同时处理，来一堆数据过来，同时给分成几小堆。因此，数据分类算法和数据聚类算法的最大区别是时效性问题。在已有数据模型的条件下，数据分类的效率往往比数据聚类的效率要高很多，因为一次只是一个对象被处理，而对于聚类结果来说，每当加入一个新的分析对象，类别结果都有可能发生改变，因此很有必要重新对所有的待分析对象进行计算处理。5.典型的分类算法与聚类算法典型的分类算法有：决策树，神经网络，支持向量机模型，Logistic回归分析，以及核估计等等。聚类的方法有，基于链接关系的聚类算法，基于中心度的聚类算法，基于统计分布的聚类算法以及基于密度的聚类算法等等。

@戚幻波13723719747：第六章数据聚类算法——聚类与分类差异-相同点：通过发现数据样本之间的共性，将共性较大的样本分配到同一个集合。不同点：1、聚类在初始阶段无法确定集合的类型，而分类在进行分类前都已经确定集合的类型，并且分类的集合类型时固定的，但聚类类型随着聚类数量的不同，聚类后的聚类簇数据样本的类型可能也会发生改变。2、聚类算法在机器学习中属于无监督的学习，而对于分类属于有监督的学习，有监督的学习意味着需要语料库对模型进行训练。3、评估方式不同，分类可通过准确率与召回率进行验证准确性，而聚类则是通过聚簇内的距离或其他方式验证聚簇效果。

@李孝洁13339041707：信息检索中分类/聚类的概念是什么？有什么关系？有什么区别？-信息的分类(classification)是信息处理的重要组成部分。事实上，它是人们对信息最自然而然的处理。信息分类将信息或数据有序地聚合在一起，有助于人们对事物的全面和深入了解。根据处理对象的不同，信息分类可以分为结构化数据分类和文本数据分类两种。聚类(clustering)是一种特殊的分类，与分类分析法不同，聚类分析是在预先不知道欲划定类的情况下(如，没有预定的分类表、没有预定的类目)，根据信息相似度原则进行信息集聚的一种方法。聚类的目的是根据最大化类内的相似性、最小化类问的相似性这一原则合理的划分数据集合，并用显式或隐式的方法描述不同的类别。聚类与分类分析主要是根据事物的特征对其进行聚类或分类，即所谓物以类聚，以期从中发现规律和典型模式。分类和聚类都是对目标进行空间划分，划分的标准是类内差别最小而类间差别最大。分类和聚类的区别在于分类事先知道类别数和各类的典型特征，而聚类则事先不知道。参考资料：苏新宁等著.数据挖掘理论与技术.科学技术文献出版社,2003王英杰等编著.多维动态地学信息可视化.科学出版社,2003.另外你还可以参考：梁静国编著.决策支持系统与决策知识发现.哈尔滨工程大学出版社,2007.http://bbs.matwav.com/viewthread.php?tid=376038http://www.blogjava.net/Jack2007/archive/2008/04/17/193651.html

@卫梦娇15595522275：数据挖掘中分类分析和聚类分析的区别-简单地说，分类(CategorizationorClassification)就是按照某种标准给对象贴标签(label)，再根据标签来区分归类。聚类是指事先没有“标签”而通过某种成团分析找出事物之间存在聚集性原因的过程。分类分析和聚类分析，分别是挖掘中分析这两种方法（分类和聚类）的方法，比如分类分析的内容有分析在此样本情况下能够被分类的程度，并且依据此分析重新分布数据，使得数据更容易被分析，相关技术有多类判别分析、主成分分析。聚类分析指类似的能够衡量一个聚类方法的方法。小弟拙见，也是数据挖掘初学者。关于数据挖掘的相关学习，推荐CDA数据师的相关课程，课程内容兼顾培养解决数据挖掘流程问题的横向能力以及解决数据挖掘算法问题的纵向能力。要求学生具备从数据治理根源出发的思维，通过数字化工作方法来探查业务问题，通过近因分析、宏观根因分析等手段，再选择业务流程优化工具还是算法工具，而非“遇到问题调算法包”。真正理解商业思维，项目思维，能够遇到问题解决问题。点击预约免费试听课

@周欣阳13465811919：聚类与分类分析之间有什么区别-通常，为有监督分类提供若干已标记的模式(预分类过)，需要解决的问题是为一个新遇到的但无标记的模式进行标记。在典型的情况下，先将给定的无标记的模式用来学习〔训练)，反过来再用来标记一个新模式。聚类需要解决的问题是将已给定的若千无标记的模式聚集起来使之成为有意义的聚类。从某种意义上说，标一记也与聚类相关，但这些类型的标记是由数据驱动的，也就是说，只是从数据中得到这些标记。聚类与数据挖掘中的分类不同，在分类模块中，对于目标数据库中存在哪些类是知道的，要做的就是将每一条记录分别属于哪一类标记出来:与此相似但又不同的是，聚类是在预先不知道目标数据库到底有多少类的情况下，希望将所有的记录组成不同的类或者说“聚类”，并且使得在这种分类情况下，以某种度量为标准的相似性，在同一聚类之间最小化，而在不同聚类之间最大化。事实上，聚类算法中很多算法的相似性都是基于距离的，而且由于现实数据库中数据类型的多样性，关于如何度量两个含有非数值型字段的记录之间的距离的讨论有很多，并提出了相应的算法。在很多应用中，聚类分析得到的每一个类中的成员都可以被统一看待。

@彭美娟14545028583：解释区分和分类，特征化和聚类，分类和回归之间的区别和相似之处-区分和分类：数据区分是将目标类数据对象的一般特性与一个或多个对比类对象的一般特性进行比较；而分类则是找出描述和区分数据类或概念的模型，以便能够使用模型对未知类标号的样例进行预测。特征化和聚类：数据特征化是目标类数据的一般特性或特征的汇总，即在进行数据特征化时很清楚特征化的这些数据的特点是什么；而聚类则只是分析数据对象，按照“最大化类内相似度、最小化类间相似度”的原则进行聚类或分组。分类在第一点时已经说过；回归主要是建立连续值的函数模型，回归主要用来预测缺失的或难以获得的数值数据值，而不是离散的类标号，同时回归也包含基于可用数据的分布趋势识别。

版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容， 请发送邮件至举报，一经查实，本站将立刻删除。