- 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supervised learning (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Machine Learning中被称作unsupervised learning (无监督学习)
- 常见的分类算法:
- 决策树分类法
- 朴素贝叶斯分类法
- 基于支持向量机(SVM)的分类器
- 神经网络发
- K-最近邻法
- 模糊分类法
- 分类是一种监督学习方法,要求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。所以,聚团的识别应该是分类问题。
- 常见的聚类算法:
- K均值聚类
- K中心点算法
- Clarans算法
- 层次算法:
- Birch算法
- Cure算法
- Chameleon算法
- 基于密度的算法:
- Dbscan算法
- Optics算法
- Denclue算法
- 基于网格的方法
- Sting算法
- Clique算法
- Wave-Cluster算法
分类与聚类的区别
最新推荐文章于 2024-06-03 12:10:25 发布