分类与聚类

分类 1.分类是指有监督的学习，即要分类的样本是有标记的,类别是已知的，事先定义好类别 ，类别数不变；    2.按照某种标准给对象贴标签(label)，再根据标签来区分归类。 3.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。 4.分类器需要由人工标注的分类训练语料训练得到，属于有指导学习范畴。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)值组成的特征向量，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。 5.分类器的构造方法有统计方法、机器学习方法、神经网络方法等等。 6.分类适合类别或分类体系已经确定的场合。   聚类 1.聚类是指无监督的学习，样本没有标记，根据某种相似度度量把样本聚为k类。 2.聚类是指事先没有“标签”   聚类则没有事先预定的类别，类别数不确定 3.聚类(clustering)是指根据“物以类聚”原理，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将要划分成几个组和什么样的组，也不知道根据哪些空间区分规则来定义组。其目的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。 4.聚类不需要人工标注和预先训练分类器，类别在聚类过程中自动生成 。 5.常见的聚类算法包括：K-均值聚类算法、K-中心点聚类算法、CLARANS、 BIRCH、CLIQUE、DBSCAN等。 6.聚类适合不存在分类体系、类别数不确定的场合 聚类技术正在蓬勃发展，涉及范围包括数据挖掘、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，聚类分析已经成为数据挖掘研究领域中一个非常活跃的研究课题。