聚类和分类的区别是什么

1. 聚类和分类的区别是什么

你好，
简单地说，分类(Categorization or Classification)就是按照某种标准给对象贴标签(label)，再根据标签来区分归类。
简单地说，聚类是指事先没有“标签”而通过某种成团分析找出事物之间存在聚集性原因的过程。
区别是，分类是事先定义好类别 ，类别数不变 。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。聚类则没有事先预定的类别，类别数不确定。 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 。分类适合类别或分类体系已经确定的场合，比如按照国图分类法分类图书；聚类则适合不存在分类体系、类别数不确定的场合，一般作为某些应用的前端，比如多文档文摘、搜索引擎结果后聚类(元搜索)等。
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。 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。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。
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。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。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。
希望回答对您有帮助.【摘要】
数据分类和聚类有什么区别【提问】
你好，
简单地说，分类(Categorization or Classification)就是按照某种标准给对象贴标签(label)，再根据标签来区分归类。
简单地说，聚类是指事先没有“标签”而通过某种成团分析找出事物之间存在聚集性原因的过程。
区别是，分类是事先定义好类别 ，类别数不变 。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。聚类则没有事先预定的类别，类别数不确定。 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 。分类适合类别或分类体系已经确定的场合，比如按照国图分类法分类图书；聚类则适合不存在分类体系、类别数不确定的场合，一般作为某些应用的前端，比如多文档文摘、搜索引擎结果后聚类(元搜索)等。
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。 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。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。
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。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。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。
希望回答对您有帮助.【回答】
在大数据分析中，分群和分类的区别是什么【提问】
发过了【回答】
分群和分类 不是分群和聚类【提问】
？【提问】
 谢谢你的关注
分类数据是说明事物类别的一个名称，比如性别就是分类数据；分组数据应该是按照分组标志的不同分为品质分布数列和变量分布数列，变量数列又可分为单项数列和组距数列，不知道是不是你想要的，我觉得这两个概念没有交集，仅供参考【回答】
不是我想要的【提问】
我们是老师布置的 大数据这门课里面的一个问题 我不懂【提问】
这个是资料库里的【回答】

2. 聚类与分类有什么区别

简单地说，分类(Categorization or Classification)就是按照某种标准给对象贴标签(label)，再根据标签来区分归类。
简单地说，聚类是指事先没有“标签”而通过某种成团分析找出事物之间存在聚集性原因的过程。
区别是，分类是事先定义好类别 ，类别数不变 。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。聚类则没有事先预定的类别，类别数不确定。 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 。分类适合类别或分类体系已经确定的场合，比如按照国图分类法分类图书；聚类则适合不存在分类体系、类别数不确定的场合，一般作为某些应用的前端，比如多文档文摘、搜索引擎结果后聚类(元搜索)等。

3. 聚类分类

6.2.1.1 自然质量等分类
重庆市平均自然质量等为6.44；全市等级最高的县域是璧山，为3.23；最低的是城口，为9.98。聚类结果见表6-1、图6-1。
表6-1 基于平均等级的重庆市县域耕地质量分类



图6-1 重庆市县域耕地质量分类

（1）自然质量等较高的第1类县域9个：璧山、沙坪坝、大渡口、铜梁、永川、合川、九龙坡、双桥、秀山，平均等级介于3.23～4.65之间，除秀山外，其余均分布在渝西2级指标区。
（2）自然质量等居中的第2类县域15个：荣昌、长寿、北碚、綦江、江津、南川、巴南、垫江、大足、潼南、梁平、江北、万盛、忠县、南岸，平均等级介于5.05～6.61之间，大部分为渝西2级指标区的县域，其余为渝中2级指标区的县域。
（3）自然质量等较低的第3类县域15个：万州、武隆、涪陵、丰都、渝北、酉阳、彭水、开县、黔江、巫山、石柱、奉节、巫溪、云阳、城口，平均等级介于7.04～9.98之间。内部差异较大，奉节、巫溪、云阳、城口质量最低。包括除秀山外的渝东南县域和全部渝东北县域，渝中2级区的丰都和石柱，渝西2级指标区的渝北区。
6.2.1.2 利用等分类
重庆市平均利用等为6.32；全市等级最高的县域是璧山，为3.58；最低的是城口，为9.73。聚类结果见表6-1、图6-1。
（1）耕地利用等较高的第1类县域9个：璧山、沙坪坝、大渡口、九龙坡、永川、荣昌、江津、长寿、合川，平均等级介于3.58～4.97之间，除长寿分布于渝中2级指标区外，其余均分布在渝西2级指标区。
（2）耕地利用等居中的第2类县域18个：綦江、江北、铜梁、南川、垫江、巴南、双桥、南岸、梁平、潼南、北碚、忠县、秀山、万盛、渝北、涪陵、大足、万州，平均等级介于5.08～6.75之间，大部分为渝西2级指标区的县域和渝中2级指标区的县域，仅秀山县为渝东南2级指标区的县域。
（3）耕地利用等较低的第3类县域12个：开县、丰都县、巫山县、黔江区、云阳县、彭水县、武隆县、石柱县、奉节县、巫溪县、酉阳县、城口县，平均等级介于7.06～9.73之间。内部差异较大，奉节县、巫溪县、云阳县、城口县质量最低。包括渝中2级指标区部分县域，除秀山外的渝东南县域和全部渝东北县域。
6.2.1.3 优选等分类
重庆市平均优选等为6.28；全市等级最高的县域是璧山，为3.58；最低的县域是城口，为9.98。聚类结果见表6-1、图6-1。
第1类高质量耕地县域11个：包括璧山、沙坪坝、铜梁、永川、大渡口、九龙坡、双桥、秀山、荣昌、江津、合川，优选等级介于3.58～4.97之间，除秀山外，均分布于渝西2级指标区。
第2类中等质量耕地县域16个：包括长寿、綦江、南川、垫江、南岸、潼南、北碚、巴南、大足、忠县、梁平、江北、万盛、渝北、涪陵、万州，优选等级介于5.11～6.75之间，包括渝西10个县域和渝中6个县域。
第3类低质量耕地县域12个：包括开县、丰都、黔江、云阳、彭水、武隆、石柱、奉节、酉阳、巫山、巫溪、城口，优选等级值介于7.06～9.98之间，包括除秀山外的渝东南和渝东北的县域，渝中丰都、石柱2县。

4. 数据分类和聚类有什么区别

主要区别是，性质不同、目的不同、应用不同，具体如下：
一、性质不同
1、数据分类
数据分类就是把具有某种共同属性或特征的数据归并在一起，通过其类别的属性或特征来对数据进行区别。为了实现数据共享和提高处理效率，必须遵循约定的分类原则和方法，按照信息的内涵、性质及管理的要求，将系统内所有信息按一定的结构体系分为不同的集合，从而使得每个信息在相应的分类体系中都有一个对应位置。

2、数据聚类
数据聚类是指根据数据的内在性质将数据分成一些聚合类，每一聚合类中的元素尽可能具有相同的特性，不同聚合类之间的特性差别尽可能大。 
二、目的不同
1、数据分类
数据分类的目的是根据新数据对象的属性，将其分配到一个正确的类别中。
2、数据聚类
聚类分析的目的是分析数据是否属于各个独立的分组，使一组中的成员彼此相似，而与其他组中的成员不同。
三、应用不同
1、数据分类
应用于统计学、计算机控制。
2、数据聚类
广泛应用于机器学习，数据挖掘，模式识别，图像分析以及生物信息等。
以上内容参考 百度百科-数据分类、百度百科-数据聚类

5. 分类和聚类的区别及各自的常见算法

学习数据挖掘的朋友，对分类算法和聚类算法都很熟悉。无论是分类算法还是聚类算法，都有许多具体的算法来实现具体的数据分析需求。很多时候，我们难以判断选择分类或者聚类的场合是什么。我们最直观的概念是，分类和聚类都是把某个被分析的对象划分到某个类里面，所以觉得这两种方法实际上是差不多一回事。然而当我们学习了许多具体算法之后再回来看，分类和聚类所实现的数据分析功能实际上是大相径庭的，他们之间不仅仅有算法上的具体差异，更重要的是，甚至他们的应用领域和所解决的具体问题都不一样。
1.类别是否预先定义是最直观区别
算法书上往往这样解释二者的区别：分类是把某个对象划分到某个具体的已经定义的类别当中，而聚类是把一些对象按照具体特征组织到若干个类别里。虽然都是把某个对象划分到某个类别中，但是分类的类别是已经预定义的，而聚类操作时，某个对象所属的类别却不是预定义的。所以，对象所属类别是否为事先，是二者的最基本区别。而这个区别，仅仅是从算法实现流程来看的。
2.二者解决的具体问题不一样
分类算法的基本功能是做预测。我们已知某个实体的具体特征，然后想判断这个实体具体属于哪一类，或者根据一些已知条件来估计感兴趣的参数。比如：我们已知某个人存款金额是10000元，这个人没有结婚，并且有一辆车，没有固定住房，然后我们估计判断这个人是否会涉嫌信用欺诈问题。这就是最典型的分类问题，预测的结果为离散值，当预测结果为连续值时，分类算法可以退化为计量经济学中常见的回归模型。分类算法的根本目标是发现新的模式、新的知识，与数据挖掘数据分析的根本目标是一致的。
聚类算法的功能是降维。假如待分析的对象很多，我们需要归归类，划划简，从而提高数据分析的效率，这就用到了聚类的算法。很多智能的搜索引擎，会将返回的结果，根据文本的相似程度进行聚类，相似的结果聚在一起，用户就很容易找到他们需要的内容。聚类方法只能起到降低被分析问题的复杂程度的作用，即降维，一百个对象的分析问题可以转化为十个对象类的分析问题。聚类的目标不是发现知识，而是化简问题，聚类算法并不直接解决数据分析的问题，而最多算是数据预处理的过程。
3.有监督和无监督
分类是有监督的算法，而聚类是无监督的算法。有监督的算法并不是实时的，需要给定一些数据对模型进行训练，有了模型就能预测。新的待估计的对象来了的时候，套进模型，就得到了分类结果。而聚类算法是实时的，换句话说是一次性的，给定统计指标，根据对象与对象之间的相关性，把对象分为若干类。分类算法中，对象所属的类别取决于训练出来的模型，间接地取决于训练集中的数据。而聚类算法中，对象所属的类别，则取决于待分析的其他数据对象。
4.数据处理的顺序不同
分类算法中，待分析的数据是一个一个处理的，分类的过程，就像给数据贴标签的过程，来一个数据，我放到模型里，然后贴个标签。
聚类算法中，待分析的数据同时处理，来一堆数据过来，同时给分成几小堆。
因此，数据分类算法和数据聚类算法的最大区别是时效性问题。在已有数据模型的条件下，数据分类的效率往往比数据聚类的效率要高很多，因为一次只是一个对象被处理，而对于聚类结果来说，每当加入一个新的分析对象，类别结果都有可能发生改变，因此很有必要重新对所有的待分析对象进行计算处理。
5.典型的分类算法与聚类算法
典型的分类算法有：决策树，神经网络，支持向量机模型，Logistic回归分析，以及核估计等等。
聚类的方法有，基于链接关系的聚类算法，基于中心度的聚类算法，基于统计分布的聚类算法以及基于密度的聚类算法等等。

6. 聚类分析的区别

7. 系统聚类和快速聚类的区别

两者区别如下：
一、指代不同

1、K均值聚类法：是一种迭代求解的聚类分析算法。

2、系统聚类法：又叫分层聚类法，聚类分析的一种方法。

二、步骤不同

1、K均值聚类法：步骤是随机选取K个对象作为初始的聚类中心，然后计算每个对象与各个种子聚类中心之间的距离，把每个对象分配给距离它最近的聚类中心。

2、系统聚类法：开始时把每个样品作为一类，然后把最靠近的样品（即距离最小的群品）首先聚为小类，再将已聚合的小类按其类间距离再合并，不断继续下去，最后把一切子类都聚合到一个大类。

8. 层次聚类方法的聚类分类

根据聚类原理步骤3的不同, 可将层次式聚类 方法分为几类: single-linkage, complete-linkage 以及average-linkage 聚类方法等. SL聚类，即single-linkage聚类法(也称connectedness 或minimum 方法)：类间距离等于两类对象之间的最小距离，若用相似度衡量，则是各类中的任一对象与另一类中任一对象的最大相似度。 CL层次聚类，即complete-linkage聚类法(也称diameter 或maximum 方法)：组间距离等于两组对象之间的最大距离。 AL层次聚类，即average-linkage聚类法组间距离等于两组对象之间的平均距离。average-link 聚类的一个变种是R. D'Andrade (1978) 的UCLUS方法, 它使用的是median距离, 在受异常数据对象的影响方面, 它要比平均距离表现更佳一些.这种层次聚类称为“凝聚法，由于它迭代合并所有分类。也有一种“划分”层次聚类法，与“凝聚”相反，它先将所有对象放在同一类中，并不断划分成更小的类，划分法一般很少使用。