机器学习与建模 - 聚类、分类、回归的区别

一句话概括：

1. 聚类：无监督学习，学习结果将产生几个集合，集合中的元素彼此相似；

2. 分类：有监督学习，学习结果将产生几个函数，通过函数划分为几个集合，数据对象是离散值；

3. 回归：有监督学习，学习结果将产生几个函数，通过函数产生连续的结果，数据对象是连续值；

 

聚类

聚类算法是无监督学习的一种算法，也就是说，并没有一批已经打好标签的数据供机器训练模型。因此该算法用于在数据中寻找数据间隐藏的联系和区别。通过聚类后形成几个集合，集合内部的元素间具有较高的相似度，相似度的衡量可以通过欧几里得距离、概率距离、加权重距离计算。

常见的聚类算法有：

1.划分聚类： K-means 算法、k-medoids算法、K-pototypes算法、CLARANS算法

2.层次聚类：BIRCH算法、CURE算法、

3.密度聚类：DBSCAN算法、OPTICS算法、DENCLUE算法

4.网格聚类：STING算法、CLIQUE算法、WAVE-CLUSTER算法

5.混合聚类：高斯混合模型、CLIQUE算法（综合密度和网格的算法）

几个聚类算法的简单对比：