的关键的区别在聚类和分类之间集群是一个无监督学习根据特征对相似实例进行分组的技术，而分类是一种有监督的学习技术，它根据特征为实例分配预定义的标签。
虽然聚类和分类看起来是相似的过程，但根据它们的含义，它们之间存在差异。在数据挖掘世界上，聚类和分类是两种学习方法。这两种方法都通过一个或多个特征将对象划分为组。
内容
1.概述和主要区别
2.什么是集群
3.什么是分类
4.并排比较-聚类与分类的表格形式
5.总结
什么是集群?
聚类是一种对对象进行分组的方法，通过这种方式，具有相似特征的对象聚集在一起，而具有不同特征的对象分开。它是一种常用的统计数据分析技术机器学习还有数据挖掘。探索性数据分析和泛化也是使用聚类的一个领域。
图01:集群
聚类属于无监督数据挖掘。它不是单一的特定算法，而是解决任务的一般方法。因此，可以使用各种算法来实现聚类。适当的聚类算法和参数设置取决于各个数据集。这不是一个自动的任务，但它是一个迭代的发现过程。因此，有必要修改数据处理和参数建模，直到结果达到所需的属性。k -均值聚类和分层聚类是数据挖掘中常用的两种聚类算法。
什么是分类?
分类是使用一组训练数据来识别、区分和理解对象的分类过程。分类是一种有监督的学习技术，其中训练集和正确定义的观察是可用的。
图02:分类
实现分类的算法是分类器，而观察结果是实例。k近邻算法和决策树算法是数据挖掘中最著名的分类算法。
聚类和分类的区别是什么?
聚类是一种无监督学习，而分类是一种监督学习技术。它根据特征对相似的实例进行分组，而分类则根据特征为实例分配预定义的标记。聚类将数据集划分为子集，以对具有相似特征的实例进行分组。它不使用标记数据或训练集。另一方面，根据训练集的观察结果对新数据进行分类。训练集被标记。
聚类的目的是对一组对象进行分组，以确定它们之间是否存在任何关系，而分类的目的是发现一个新对象属于预定义类集中的哪个类。
总结-聚类vs分类
聚类和分类看起来很相似，因为这两种数据挖掘算法都将数据集划分为子集，但它们是两种不同的学习技术，在数据挖掘中从原始数据集合中获得可靠的信息。聚类和分类之间的区别在于，聚类是一种基于特征对相似实例进行分组的无监督学习技术，而分类是一种基于特征为实例分配预定义标签的监督学习技术。
留下回复