1樓：張得帥
分類是資料探勘中的一項非常重要的任務，利用分類技術可以從資料集中提取描述資料類的乙個函式或模型（也常稱為分類器），並把資料集中的每個物件歸結到某個已知的物件類中。從機器學習的觀點，分類技術是一種有指導的學習，即每個訓練樣本的資料物件已經有類標識，通過學習可以形成表達資料物件與類標識間對應的知識。從這個意義上說，資料探勘的目標就是根據樣本資料形成的類知識並對源資料進行分類，進而也可以**未來資料的歸類。
分類具有廣泛的應用，例如醫療診斷、信用卡的信用分級、影象模式識別。
與分類技術不同，在機器學習中，聚類是一種無指導學習。也就是說，聚類是在預先不知道欲劃分類的情況下，根據資訊相似度原則進行資訊聚類的一種方法。聚 類的目的是使得屬於同類別的物件之間的差別盡可能的小，而不同類別上的物件的差別盡可能的大。
因此，聚類的意義就在於將觀察到的內容組織成類分層結構，把 類似的事物組織在一起。通過聚類，人們能夠識別密集的和稀疏的區域，因而發現全域性的分布模式，以及資料屬性之間的有趣的關係。
資料聚類分析是乙個正在蓬勃發展的領域。聚類技術主要是以統計方法、機器學習、神經網路等方法為基礎。比較有代表性的聚類技術是基於幾何距離的聚類方法，如歐氏距離、曼哈坦距離、明考斯基距離等。
聚類分析廣泛應用於商業、生物、地理、網路服務等多種領域。
資料探勘中分類和聚類的區別
2樓：day忘不掉的痛
你好，簡單地說，分類(categorization or classification)就是按照某種標準給物件貼標籤(label)，再根據標籤來區分歸類。
簡單地說，聚類是指事先沒有「標籤」而通過某種成團分析找出事物之間存在聚集性原因的過程。
區別是，分類是事先定義好類別 ，類別數不變 。分類器需要由人工標註的分類訓練語料訓練得到，屬於有指導學習範疇。聚類則沒有事先預定的類別，類別數不確定。
聚類不需要人工標註和預先訓練分類器，類別在聚類過程中自動生成 。分類適合類別或分類體系已經確定的場合，比如按照國圖分類法分類圖書；聚類則適合不存在分類體系、類別數不確定的場合，一般作為某些應用的前端，比如多文件文摘、搜尋引擎結果後聚類(元搜尋)等。
分類的目的是學會乙個分類函式或分類模型(也常常稱作分類器 ),該模型能把資料庫中的資料項對映到給定類別中的某乙個類中。 要構造分類器，需要有乙個訓練樣本資料集作為輸入。訓練集由一組資料庫記錄或元組構成，每個元組是乙個由有關字段(又稱屬性或特徵)值組成的特徵向量，此外，訓練樣本還有乙個類別標記。
乙個具體樣本的形式可表示為：(v1,v2,...,vn; c)；其中vi表示字段值，c表示類別。
分類器的構造方法有統計方法、機器學習方法、神經網路方法等等。
聚類(clustering)是指根據「物以類聚」原理，將本身沒有類別的樣本聚集成不同的組，這樣的一組資料物件的集合叫做簇，並且對每乙個這樣的簇進行描述的過程。它的目的是使得屬於同乙個簇的樣本之間應該彼此相似，而不同簇的樣本應該足夠不相似。與分類規則不同，進行聚類前並不知道將要劃分成幾個組和什麼樣的組，也不知道根據哪些空間區分規則來定義組。
其目的旨在發現空間實體的屬性間的函式關係，挖掘的知識用以屬性名為變數的數學方程來表示。聚類技術正在蓬勃發展，涉及範圍包括資料探勘、統計學、機器學習、空間資料庫技術、生物學以及市場營銷等領域，聚類分析已經成為資料探勘研究領域中乙個非常活躍的研究課題。常見的聚類演算法包括：
k-均值聚類演算法、k-中心點聚類演算法、clarans、 birch、clique、dbscan等。
希望回答對您有幫助.
資料探勘中分類分析和聚類分析的區別
3樓：匿名使用者
分類有監督 聚類無監督 就這個區別
分類要靠學習 聚類要靠啟發式搜尋
4樓：匿名使用者
簡單的說，分類是一種有監督的學習，事先知道訓練樣本的標籤，通過挖掘將屬於不同類別標籤的樣本分開，可利用得到的分類模型，**樣本屬於哪個類別。而聚類是一種無監督的學習，事先不知道樣本的類別標籤，通過對相關屬性的分析，將具有類似屬性的樣本聚成一類。
5樓：匿名使用者
我覺得分類是已知有哪些型別。而聚類有時候可以發現我們所不熟知的類別，根據資料內部結構特徵，物以類聚，這個類別我們有時候是不知道的，甚至聚類後我們無法解釋。
這樣也導致分類採用監督分類，一般有訓練樣本（因為知道型別），而聚類多採用非監督的（因為不知道型別）
當然我們一般有時候聚類分析和分類分析沒有分得特別清楚。聚類分析和分類分析都是來進行分門別類，發現資料間的共性和個性。
個人看法，僅供參考
6樓：月拌西涼
個人覺得，分類分析 和 聚類分析，分別是之分析這兩種方法（分類和聚
類）的方法，比如分類分析的內容有分析在此樣本情況下能夠被分類的程度，並且依據此分析重新分布資料，使得資料更容易被分析，相關技術有多類判別分析、主成分分析。聚類分析指類似的能夠衡量乙個聚類方法的方法。小弟拙見，也是資料探勘初學者。
資料探勘中分類與聚類區別與關係
7樓：呂秀才
分類是根據規則進行的，你把這個規則建立起來後還可以運用到其他尚未分類的資料，同時還可以根據新的已有類別資料修正分類規則，不斷提高其分類準確性
聚類是純粹的根據已有資料進行系統把資料聚類，有可能聚類出來的沒有實際意義，聚類也無法通過訓練資料和後期的資料不斷提高準確度的
資料分類和聚類有什麼區別
8樓：匿名使用者
簡單地說，分類(categorization or classification)就是按照某種標準給物件貼標籤
(label)，再根據標籤來區分歸類。
簡單地說，聚類是指事先沒有「標籤」而通過某種成團分析找出事物之間存在聚集性原因的過程。
區別是，分類是事先定義好類別 ，類別數不變 。分類器需要由人工標註的分類訓練語料訓練得到，屬於有指導學習範疇。聚類則沒有事先預定的類別，類別數不確定。
聚類不需要人工標註和預先訓練分類器，類別在聚類過程中自動生成 。分類適合類別或分類體系已經確定的場合，比如按照國圖分類法分類圖書；聚類則適合不存在分類體系、類別數不確定的場合，一般作為某些應用的前端，比如多文件文摘、搜尋引擎結果後聚類(元搜尋)等。
分類的目的是學會乙個分類函式或分類模型(也常常稱作分類器 ),該模型能把資料庫中的資料項對映到給定類別中的某乙個類中。 要構造分類器，需要有乙個訓練樣本資料集作為輸入。訓練集由一組資料庫記錄或元組構成，每個元組是乙個由有關字段(又稱屬性或特徵)值組成的特徵向量，此外，訓練樣本還有乙個類別標記。
乙個具體樣本的形式可表示為：(v1,v2,...,vn; c)；其中vi表示字段值，c表示類別。
分類器的構造方法有統計方法、機器學習方法、神經網路方法等等。
聚類(clustering)是指根據「物以類聚」原理，將本身沒有類別的樣本聚集成不同的組，這樣的一組資料物件的集合叫做簇，並且對每乙個這樣的簇進行描述的過程。它的目的是使得屬於同乙個簇的樣本之間應該彼此相似，而不同簇的樣本應該足夠不相似。與分類規則不同，進行聚類前並不知道將要劃分成幾個組和什麼樣的組，也不知道根據哪些空間區分規則來定義組。
其目的旨在發現空間實體的屬性間的函式關係，挖掘的知識用以屬性名為變數的數學方程來表示。聚類技術正在蓬勃發展，涉及範圍包括資料探勘、統計學、機器學習、空間資料庫技術、生物學以及市場營銷等領域，聚類分析已經成為資料探勘研究領域中乙個非常活躍的研究課題。常見的聚類演算法包括：
k-均值聚類演算法、k-中心點聚類演算法、clarans、 birch、clique、dbscan等。
9樓：溜到被人舔
分類是資料探勘中的一項非常重要的任務，利用分類技術可以從資料集中提取描述資料類的乙個函式或模型（也常稱為分類器），並把資料集中的每個物件歸結到某個已知的物件類中。從機器學習的觀點，分類技術是一種有指導的學習，即每個訓練樣本的資料物件已經有類標識，通過學習可以形成表達資料物件與類標識間對應的知識。
10樓：匿名使用者
分類是指有監督的學習，即要分類的樣本是有標記的,類別是已知的；聚類是指無監督的學習，樣本沒有標記，根據某種相似度度量把樣本聚為k類。
11樓：jimmy馬輝
自動分類是指由計算機自動提取資訊的特徵項，依據一定的演算法，將資訊按內容或屬性歸到乙個或多個類別的過程。包括分類聚類。自動分類需要確定乙個後台的分類表，根據既定的分類規則，將待分類文獻確定乙個或多個類別。
自動聚類不需要事先定義好分類體系，完全依靠數學分析方法提取類目，並根據類目積聚相似的物件。相比較而言自動聚模擬自動分類在技術上更容易實現。
12樓：紅色楓葉
聚類分析是在沒有給定劃分類別的情況下,根據資料相似度進行樣本分組的一種方法。與分類模型需要使用有類標記樣本構成的訓練資料不同,
13樓：匿名使用者
分類是向下細分，聚類是向上彙總。
14樓：匿名使用者
資料分類和聚類它是有區別的。
15樓：是的覅公司**
區別是，分類是事先定義好類別 ，類別數不變 。分類器需要由人工標註的分類訓練語料訓練得到，屬於有指導學習範疇。聚類則沒有事先預定的類別，類別數不確定。
聚類不需要人工標註和預先訓練分類器，類別在聚類過程中自動生成 。分類適合類別或分類體系已經確定的場合，比如按照國圖分類法分類圖書；聚類則適合不存在分類體系、類別數不確定的場合，一般作為某些應用的前端，比如多文件文摘、搜尋引擎結果後聚類(元搜尋)等。
分類的目的是學會乙個分類函式或分類模型(也常常稱作分類器 ),該模型能把資料庫中的資料項對映到給定類別中的某乙個類中。 要構造分類器，需要有乙個訓練樣本資料集作為輸入。訓練集由一組資料庫記錄或元組構成，每個元組是乙個由有關字段(又稱屬性或特徵)值組成的特徵向量，此外，訓練樣本還有乙個類別標記。
乙個具體樣本的形式可表示為：(v1,v2,...,vn; c)；其中vi表示字段值，c表示類別。
分類器的構造方法有統計方法、機器學習方法、神經網路方法等等。
聚類(clustering)是指根據「物以類聚」原理，將本身沒有類別的樣本聚集成不同的組，這樣的一組資料物件的集合叫做簇，並且對每乙個這樣的簇進行描述的過程。它的目的是使得屬於同乙個簇的樣本之間應該彼此相似，而不同簇的樣本應該足夠不相似。與分類規則不同，進行聚類前並不知道將要劃分成幾個組和什麼樣的組，也不知道根據哪些空間區分規則來定義組。
其目的旨在發現空間實體的屬性間的函式關係，挖掘的知識用以屬性名為變數的數學方程來表示。聚類技術正在蓬勃發展，涉及範圍包括資料探勘、統計學、機器學習、空間資料庫技術、生物學以及市場營銷等領域，聚類分析已經成為資料探勘研究領域中乙個非常活躍的研究課題。常見的聚類演算法包括：
k-均值聚類演算法、k-中心點聚類演算法、clarans、 birch、clique、dbscan等。
生活和生產有什麼區別，生活資料和生產資料有什麼區別？
生活資料也稱消費品，是指用來滿足人們物質和文化生活需要的那部分社會產品。按滿足人們需要層次分，有生存資料 如衣 食 住 用方面的基本消費品 發展資料 如用於發展體力 智力的體育 文化用品等 享受資料 如高階營養品 華麗服飾 藝術珍藏品等 按使用時間長短分，有一次或短期使用的普通消費品和可供長期使用的...
異構化乳糖和低聚果糖之間有什麼區別
一 性質不同 1 異構化乳糖 異構化乳糖在市場上是以兩種劑型存在，異構化乳糖粉和異構化乳糖液。商業生產異構化乳糖採用乳糖為原料經受熱或者用氫氧化鈉作催化劑條件下進行異構化作用而得。2 低聚果糖 是由1 3個果糖基通過 2 1 糖苷鍵與蔗糖中的果糖基結合生成的蔗果三糖 蔗果四糖和蔗果五糖等的混合物。二...
領域模型和類圖有什麼區別,uml類圖和領域模型有什麼區別
領域模型 和 uml類圖 是兩個不同層次概念，談不上區別。可以這樣說，領域模型是用uml類圖來表達的 領域模型 domain model 是對領域內概念類或現實世界中物件的視覺化表示。也稱為概念模型。是更為完整的業務模型的乙個特例。從uml的表示法角度，領域模型被描述為一組沒有定義操作的類圖 概念類...