1樓：匿名使用者
分類有監督 聚類無監督 就這個區別
分類要靠學習 聚類要靠啟發式搜尋
2樓：匿名使用者
簡單的說，分類是一種有監督的學習，事先知道訓練樣本的標籤，通過挖掘將屬於不同類別標籤的樣本分開，可利用得到的分類模型，**樣本屬於哪個類別。而聚類是一種無監督的學習，事先不知道樣本的類別標籤，通過對相關屬性的分析，將具有類似屬性的樣本聚成一類。
3樓：匿名使用者
我覺得分類是已知有哪些型別。而聚類有時候可以發現我們所不熟知的類別，根據資料內部結構特徵，物以類聚，這個類別我們有時候是不知道的，甚至聚類後我們無法解釋。
這樣也導致分類採用監督分類，一般有訓練樣本（因為知道型別），而聚類多采用非監督的（因為不知道型別）
當然我們一般有時候聚類分析和分類分析沒有分得特別清楚。聚類分析和分類分析都是來進行分門別類，發現資料間的共性和個性。
個人看法，僅供參考
4樓：月拌西涼
個人覺得，分類分析 和 聚類分析，分別是之分析這兩種方法（分類和聚
類）的方法，比如分類分析的內容有分析在此樣本情況下能夠被分類的程度，並且依據此分析重新分佈資料，使得資料更容易被分析，相關技術有多類判別分析、主成分分析。聚類分析指類似的能夠衡量一個聚類方法的方法。小弟拙見，也是資料探勘初學者。
資料探勘中分類和聚類的區別
5樓：day忘不掉的痛
你好，簡單地說，分類(categorization or classification)就是按照某種標準給物件貼標籤(label)，再根據標籤來區分歸類。
簡單地說，聚類是指事先沒有「標籤」而通過某種成團分析找出事物之間存在聚集性原因的過程。
區別是，分類是事先定義好類別 ，類別數不變 。分類器需要由人工標註的分類訓練語料訓練得到，屬於有指導學習範疇。聚類則沒有事先預定的類別，類別數不確定。
聚類不需要人工標註和預先訓練分類器，類別在聚類過程中自動生成 。分類適合類別或分類體系已經確定的場合，比如按照國圖分類法分類圖書；聚類則適合不存在分類體系、類別數不確定的場合，一般作為某些應用的前端，比如多文件文摘、搜尋引擎結果後聚類(元搜尋)等。
分類的目的是學會一個分類函式或分類模型(也常常稱作分類器 ),該模型能把資料庫中的資料項對映到給定類別中的某一個類中。 要構造分類器，需要有一個訓練樣本資料集作為輸入。訓練集由一組資料庫記錄或元組構成，每個元組是一個由有關欄位(又稱屬性或特徵)值組成的特徵向量，此外，訓練樣本還有一個類別標記。
一個具體樣本的形式可表示為：(v1,v2,...,vn; c)；其中vi表示欄位值，c表示類別。
分類器的構造方法有統計方法、機器學習方法、神經網路方法等等。
聚類(clustering)是指根據「物以類聚」原理，將本身沒有類別的樣本聚整合不同的組，這樣的一組資料物件的集合叫做簇，並且對每一個這樣的簇進行描述的過程。它的目的是使得屬於同一個簇的樣本之間應該彼此相似，而不同簇的樣本應該足夠不相似。與分類規則不同，進行聚類前並不知道將要劃分成幾個組和什麼樣的組，也不知道根據哪些空間區分規則來定義組。
其目的旨在發現空間實體的屬性間的函式關係，挖掘的知識用以屬性名為變數的數學方程來表示。聚類技術正在蓬勃發展，涉及範圍包括資料探勘、統計學、機器學習、空間資料庫技術、生物學以及市場營銷等領域，聚類分析已經成為資料探勘研究領域中一個非常活躍的研究課題。常見的聚類演算法包括：
k-均值聚類演算法、k-中心點聚類演算法、clarans、 birch、clique、dbscan等。
希望回答對您有幫助.
資料探勘中分類和聚類有什麼區別？
6樓：day忘不掉的痛
你好，簡單地說，分類(categorization or classification)就是按照某種標準給物件貼標籤(label)，再根據標籤來區分歸類。
簡單地說，聚類是指事先沒有「標籤」而通過某種成團分析找出事物之間存在聚集性原因的過程。
區別是，分類是事先定義好類別 ，類別數不變 。分類器需要由人工標註的分類訓練語料訓練得到，屬於有指導學習範疇。聚類則沒有事先預定的類別，類別數不確定。
聚類不需要人工標註和預先訓練分類器，類別在聚類過程中自動生成 。分類適合類別或分類體系已經確定的場合，比如按照國圖分類法分類圖書；聚類則適合不存在分類體系、類別數不確定的場合，一般作為某些應用的前端，比如多文件文摘、搜尋引擎結果後聚類(元搜尋)等。
分類的目的是學會一個分類函式或分類模型(也常常稱作分類器 ),該模型能把資料庫中的資料項對映到給定類別中的某一個類中。 要構造分類器，需要有一個訓練樣本資料集作為輸入。訓練集由一組資料庫記錄或元組構成，每個元組是一個由有關欄位(又稱屬性或特徵)值組成的特徵向量，此外，訓練樣本還有一個類別標記。
一個具體樣本的形式可表示為：(v1,v2,...,vn; c)；其中vi表示欄位值，c表示類別。
分類器的構造方法有統計方法、機器學習方法、神經網路方法等等。
聚類(clustering)是指根據「物以類聚」原理，將本身沒有類別的樣本聚整合不同的組，這樣的一組資料物件的集合叫做簇，並且對每一個這樣的簇進行描述的過程。它的目的是使得屬於同一個簇的樣本之間應該彼此相似，而不同簇的樣本應該足夠不相似。與分類規則不同，進行聚類前並不知道將要劃分成幾個組和什麼樣的組，也不知道根據哪些空間區分規則來定義組。
其目的旨在發現空間實體的屬性間的函式關係，挖掘的知識用以屬性名為變數的數學方程來表示。聚類技術正在蓬勃發展，涉及範圍包括資料探勘、統計學、機器學習、空間資料庫技術、生物學以及市場營銷等領域，聚類分析已經成為資料探勘研究領域中一個非常活躍的研究課題。常見的聚類演算法包括：
k-均值聚類演算法、k-中心點聚類演算法、clarans、 birch、clique、dbscan等。
希望回答對您有幫助.
7樓：上官涵梅洛寄
sc-cpda
資料分析師公眾交流平臺
詳細看我資料
區分是將目標類資料物件的一般特性與一個或多個對比類物件的一般特性進行比較。例如，具有高gpa
的學生的一般特性可被用來與具有低gpa
的一般特性比較。最終的描述可能是學生的一個一般可比較的輪廓，就像具有高gpa
的學生的75%是四年級電腦科學專業的學生，而具有低
gpa的學生的65%不是。
關聯是指發現關聯規則，這些規則表示一起頻繁發生在給定資料集的特徵值的條件。例如，一個資料探勘系統可能發現的關聯規則為：major(x,
「***puting
science」)
⇒owns(x,
「personal
***puter」)
[support=12%,
confidence=98%]
其中，x
是一個表示學生的變數。這個規則指出正在學習的學生，12%
（支援度）主修電腦科學並且擁有一臺個人計算機。這個組一個學生擁有一臺個人電腦的概率是98%（置信度，或確定度）。
分類與**
不同，因為前者的作用是構造一系列能描述和區分資料型別或概念的模型（或功能），而後者是建立一個模型去**缺失的或無效的、並且通常是數字的資料值。它們的相似性是他們都是**的工具：
分類被用作**目標資料的類的標籤，而**典型的應用是**缺失的數字型資料的值。
聚類分析的資料物件不考慮已知的類標號。物件根據最大花蕾內部的相似性、最小化類之間的相似性的原則進行聚類或分組。形成的每一簇可以被看作一個物件類。
聚類也便於分類法組織形式，將觀測組織成類分層結構，把類似的事件組織在一起。
資料演變分析描述和模型化隨時間變化的物件的規律或趨勢，儘管這可能包括時間相關資料的特徵化、區分、關聯和相關分析、分類、或**，這種分析的明確特徵包括時間序列資料分析、序列或週期模式匹配、和基於相似性的資料分析
8樓：張得帥
分類是資料探勘中的一項非常重要的任務，利用分類技術可以從資料集中提取描述資料類的一個函式或模型（也常稱為分類器），並把資料集中的每個物件歸結到某個已知的物件類中。從機器學習的觀點，分類技術是一種有指導的學習，即每個訓練樣本的資料物件已經有類標識，通過學習可以形成表達資料物件與類標識間對應的知識。從這個意義上說，資料探勘的目標就是根據樣本資料形成的類知識並對源資料進行分類，進而也可以**未來資料的歸類。
分類具有廣泛的應用，例如醫療診斷、信用卡的信用分級、影象模式識別。
與分類技術不同，在機器學習中，聚類是一種無指導學習。也就是說，聚類是在預先不知道欲劃分類的情況下，根據資訊相似度原則進行資訊聚類的一種方法。聚 類的目的是使得屬於同類別的物件之間的差別儘可能的小，而不同類別上的物件的差別儘可能的大。
因此，聚類的意義就在於將觀察到的內容組織成類分層結構，把 類似的事物組織在一起。通過聚類，人們能夠識別密集的和稀疏的區域，因而發現全域性的分佈模式，以及資料屬性之間的有趣的關係。
資料聚類分析是一個正在蓬勃發展的領域。聚類技術主要是以統計方法、機器學習、神經網路等方法為基礎。比較有代表性的聚類技術是基於幾何距離的聚類方法，如歐氏距離、曼哈坦距離、明考斯基距離等。
聚類分析廣泛應用於商業、生物、地理、網路服務等多種領域。
9樓：年年好運
分類 和 聚類分別是：
分類和聚類的方法，比如分類分析的內容有分析在樣本情況下
能夠被分類的程度，依據此分析重新分佈資料，使得資料更容易被分析，相關技術有多類判別分析、主成分分析。
聚類分析指類似的能夠衡量一個聚類方法的方法。
，分類是事先定義好類別 ，類別數不變 。分類器需要由人工標註的分類訓練語料訓練得到，屬於有指導學習範疇。
聚類不需要人工標註和預先訓練分類器，類別在聚類過程中自動生成 。
分類的目的是學會一個分類函式或分類模型，該模型能把資料庫中的資料項對映到給定類別中的某一個類中。
要構造分類器，需要有一個訓練樣本資料集作為輸入。
聚類分析已經成為資料探勘研究領域中一個非常活躍的研究課題。
聚類技術正在蓬勃發展，涉及範圍包括資料探勘、統計學、機器學習、空間資料庫技術、生物學以及市場營銷等領域。
資料探勘大概要學習多久，資料分析師大概要學習多久
資料探勘學習一般要五個月左右，資料探勘的學習根據每個人的學習能力和學習方法的不同，所需要的時間也不盡相同，而且和你的自身基礎情況都有很大的關係，沒基礎的話五個月也就足夠了。下面是幾種大資料學習方式對比 1 自學 一般都是根據自身碎片化時間進行學習，時間會拉的比較長。優點 可以省下一筆學費，而且不佔用...
spss單因素方差分析的資料及其分析結果例項
我經常做資料分析 的。如果你要做單因素方差分析，請你先好好認識一下單因素方差分析的方法和原理 統計類書刊有寫 然後再進行相關操作。按照你的描述，是否是把a作為因素，b作為結果做出來的一組數列矩陣，如果是這樣，那麼就是類似於在不同的a條件下，檢測b的結果是否具有差異性，如果條件a沒有做重複，那麼兩兩之...
好用的資料分析軟體有哪些，做資料分析，比較好用的軟體有哪些？
1 資料處理工具 excel 資料分析師，在有些公司也會有資料產品經理 資料探勘工程師等等。他們最初級最主要的工具就是excel。有些公司也會涉及到像visio，xmind ppt等設計圖示資料分析方面的高階技巧。資料分析師是一個需要擁有較強綜合能力的崗位，因此，在有些網際網路公司仍然需要資料透視表...