分类和聚类的定义
分类是数据挖掘中最重要的任务之一---根据目标属性为目标分配预定义的类标签的过程。
聚类是在无监督学习中应用最广的方法之一---试图将数据集中的所有数据划分为若干个子集。(一般为不相交)
两者区别
分类和聚类之间有相似之处,看起来相似,但又有所不同。
分类 | 聚类 |
有监督学习方法 | 无监督学习方法 |
向模型提供特定标签,对新目标结果进行分类,并且模型需要适当的测试和训练来进行标签的验证 | 聚类的分组是在相似性的基础上进行的 |
需要训练数据(并且带标签) | 不需要训练数据(数据不带标签) |
使用算法根据训练数据集的观察对新的数据进行分类 | 使用统计学概念,其中数据集被划分为具有相同特征的子集(通常为不相交) |
目标不同,其目标为从一组预定义的类中找出一个新对象属于哪个类 | 其目标为对一组数据进行分组,并且查找他们之间是否存在相关关系 |
基本功能是预测 | 基本功能是降维 |
待处理数据为单一数据 | 待处理数据为同时处理所有数据 |
典型分类算法:逻辑回归法、K-最近邻法、朴素贝叶斯方法、神经网络方法、判别分析法 | 典型聚类算法:分区方法、层次聚类、模糊聚类、基于密度的聚类、基于模型的聚类 |