数据分类与聚类的区别

一、分类

    利用分类技术可以从数据集中提取描述数据类的一个函数或模型（也常称分类器），并把数据集中的每个对象归结到某个已知的对象类中。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表示间对应的知识。即数据挖掘的目标就是根据样本数据形成的类的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。

    分类技术具有广泛的应用，比如医疗诊断，信用卡的信用分级，图像模式识别等。

    分类挖掘所获的分类模型可以采用多种形式加以描述输出，比如：分类规则，决策树，数学公式和神经网络。

二、聚类

    在机器学习中，聚类是一种无指导学习，即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。

    聚类的目的是使得同类别的对象之间的差别尽量小，而不同类别上的差别尽可能的大。因此，聚类的意义在于将观察的内容组织成类分层结构，把类似的事物组织在一起。

    聚类技术主要以统计方法、机器学习、空间数据库技术、生物学以及时常营销等方法。

    常见的聚类算法有：K-均值聚类算法、K-中心点聚类算法、CLARANS、BIRCH、CLIQUE、DBSCAN等。