聚类与分类的区别

分类：按照某种标准给对象贴标签，再根据标签区分归类

聚类：事先没有标签而通过某种成因找出事物之间存在聚集性原因的过程

区别：分类事先定义好类别，类别数不变。分类器需要由人工标注的分类训练语料训练得到，属于指导学习范畴。分类法适合类别或分类体系确定的场合，比如按照国图分类法分类图书。

           聚类则没有事先预定的类，类别数不确定。聚类不需要人工标注和预先训练分类器，类别在聚类的过程中自动生成。聚类法适合不存在分类体系、类别数不确定的场合，一般作为某些应用的前端，比如多文档文摘、搜索引擎和后聚类（元搜索）等。

          分类的目的是学会一个分类函数或分类模型（也常常称作分类器），该模型能把数据库中的数据项映射到给定类别中的某一个类中。要构造分类器，需要有一个训练样本数据集作为输入。训练集由一组数据库记录或元组构成，每个元组是一个由有关字段（又称属性或特征）值组成的向量，此外，训练样本还有一个类别标记。一个具体样本的形式可表示为：（v1,v2,...,vn;c），其中VI表示字段值，C表示类别。分类器构造方法具有统计方法，机器学习方法，神经网络方法等

           聚类根据‘物以类聚’，将本身没有类别的样本聚集成不同的组，这样的一组数据对象的集合叫做簇，并且对每一个这样的簇进行描述的过程。它的目的是使得属于同一个簇的样本之间应该彼此相似，而不同簇的样本应该足够不相似。

           与分类规则不同，进行聚类前并不知道要划分几个组和什么样的组，也不知道哪些空间区分规则来定义组。其目的是旨在发现空间实体的属性间的函数关系，挖掘的知识用以属性名为变量的数学方程来表示。聚类涉及范围：数据挖掘、统计学、机器学习、空间数据库技术、生物学以及市场营销等领域。常见的聚类方法：K均值聚类方法，K中心点聚类、CLARANS、BIRCH、CLIQUE、DBSCAN等