机器学习常见的一些model

分类算法和聚类算法的区别

分类算法：

定义：
分类算法是一种监督学习方法，其目标是将数据点分配到预定义的类别或标签中。
它通过学习从已知输入到已知输出的映射来训练模型，然后用于对新的未标记数据进行分类。

特点：
需要有带标签的训练数据进行模型训练，以学习类别之间的关系。
输出是离散的类别标签。
常见的分类算法包括决策树、逻辑回归、支持向量机（SVM）、朴素贝叶斯等。

聚类算法：

定义：
聚类算法是一种无监督学习方法，其目标是将数据点根据它们的相似性分组成若干个簇。
它不需要事先标记的训练数据，而是自动发现数据中的模式并将数据点进行分组。
特点：
不需要先验知识或标签，只需要数据本身。
输出是将数据点分配到不同的簇中。
常见的聚类算法包括K均值聚类、层次聚类、DBSCAN等。