分类与聚类的区别

• 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