1楼：匿名用户
分类的目的是:分析输入数据，通过在训练集中的数据表现出来的特性，为每一个类找到一种准确的描述或者模型。这种描述常常用谓词表示。
由此生成的类描述用来对未来的测试数据进行分类。尽管这些未来的测试数据的类标签是未知的，我们仍可以由此预侧这些新数据所属的类。注意是**，而不能肯定。
我们也可以由此对数据中的每一个类有更好的理解。也就是说，我们获得了对这个类的知识。
数据挖掘中分类的目的是什么求解答
2楼：手机用户
分类的目的是:分析输入数据，通过在训练集中的数据表现出来的特性，为每一个类找到一种准确的描述或者模型。这种描述常常用谓词表示。
由此生成的类描述用来对未来的测试数据进行分类。尽管这些未来的测试数据的类标签是未知的，我们仍可以由此预侧这些新数据所属的类。注意是**，而不能肯定。
我们也可以由此对数据中的每一个类有更好的理解。也就是说，我们获得了对这个类的知识。
3楼：汪寻凝佼墨
数据挖掘(data
mining-dm)是从存放在数据库、数据仓库、或其它信息库中的大量数据中挖掘有趣知识的过程川。数据挖掘有时也称作kdd,
kdd(knowledge
discovery
indatabases-kdd:知识发现)即是基于数据库的知识发现，指的是从大型数据库或数据仓库中提取人们感兴趣的知识，这些知识是隐含的、事先未知的、潜在有用的、易被理解的信息。实质上，这两个概念的内涵大致相同，只是从不同的角度认识问题而已。
譬如人工智能的研究人员倾向于讲kdd，而计算机和信息技术专家通常说数据挖掘。
数据挖掘中分类的定义是什么
4楼：匿名用户
1989年以后定义为支持任意维度和指标的切换，可以对已有的表样切换字段来进行自由分析。任意维度和指标切换的功能保障了当查看分析的人员在查看分析时，如果针对已有的表样产生额外的分析需求或改变了已有的分析需求
5楼：匿名用户
数据挖掘(data mining-dm)是从存放在数据库、数据仓库、或其它信息库中的大量数据中挖掘有趣知识的过程川。数据挖掘有时也称作kdd, kdd(knowledge discovery in databases-kdd:知识发现)即是基于数据库的知识发现，指的是从大型数据库或数据仓库中提取人们感兴趣的知识，这些知识是隐含的、事先未知的、潜在有用的、易被理解的信息。
实质上，这两个概念的内涵大致相同，只是从不同的角度认识问题而已。譬如人工智能的研究人员倾向于讲kdd，而计算机和信息技术专家通常说数据挖掘。
数据挖掘中分类和回归的区别是什么？
6楼：不是7个汉字吗
单纯就这句话而言不能说错，只是不完全。
分类是指一类问题，而回归是一类工具。分类的目的在于给对象按照其类别打上相应的标签再分门别类，而回归则是根据样本研究其两个（或多个）变量之间的依存关系，是对于其趋势的一个分析**。
分类的标签如果是表示（离散的）有排序关系的类别时，比如说“好”、“较好”、“一般”这样的时候，也可以用回归来处理。但是如果标签是纯粹的分类，比如说电影中的“喜剧”、“动作”、“剧情”这样的无排序关系的标签时，就很难用回归去处理了。而且，分类中还存在着“多分类”的问题，也就是一个对象可能有多个标签的情况，这就更复杂了。
而同时，回归所能做的也并非只有分类，也可以用来做**等其他问题。
所以，回归和分类的区别并非只有输出的“定性”与“定量”那么简单，应该说两者属于不同的范畴。
7楼：袁悠夏凡波
分类一般针对离散型数据而言的，回归是针对连续型数据的。本质上是一样的
数据挖掘为什么要对数据进行分类
8楼：恩惠
对数据进行分类主要是方便存储和读取，不同类型的数据的大小或者说是存储长度是不一样的，分开后无论是读取还是存储都要方便和快捷很多。没有数据语义的知识，就找不出任意的分类属性集的分层序。
含义分层：定属性集中每个属性不同值的个数自动地产生概念分层。具有最多不同值的属性放在分层结构的最低层。
一个属性的不同值个数越少，在所产生的概念分层结构中所处的层次越高。在许多情况下，这种启发式规则都很顶用。在考察了所产生的分层之后，如果必要，局部层次交换或调整可以由用户或专家来做。
分类数据是统计数据的一种。指反映事物类别的数据。如人按性别分为男、女两类。
分类数据是离散数据。分类属性具有有限个（但可能很多）不同值，值之间无序。例子包括地理位置、工作类别和商品类型。
有很多方法产生分类数据的概念分层。
9楼：匿名用户
不太明白您说的分类是什么意思？是在数据预处理阶段，还是挖掘的目的？
如果在数据预处理阶段，可能是只对某个领域的数据进行挖掘，从而可以得出更置信的结论；
如果是挖掘目的，也就是模型的输出，这就比较好理解了。
数据挖掘中分类和聚类有什么区别？
10楼：张得帅
分类是数据挖掘中的一项非常重要的任务，利用分类技术可以从数据集中提取描述数据类的一个函数或模型（也常称为分类器），并把数据集中的每个对象归结到某个已知的对象类中。从机器学习的观点，分类技术是一种有指导的学习，即每个训练样本的数据对象已经有类标识，通过学习可以形成表达数据对象与类标识间对应的知识。从这个意义上说，数据挖掘的目标就是根据样本数据形成的类知识并对源数据进行分类，进而也可以**未来数据的归类。
分类具有广泛的应用，例如医疗诊断、信用卡的信用分级、图像模式识别。
与分类技术不同，在机器学习中，聚类是一种无指导学习。也就是说，聚类是在预先不知道欲划分类的情况下，根据信息相似度原则进行信息聚类的一种方法。聚 类的目的是使得属于同类别的对象之间的差别尽可能的小，而不同类别上的对象的差别尽可能的大。
因此，聚类的意义就在于将观察到的内容组织成类分层结构，把 类似的事物组织在一起。通过聚类，人们能够识别密集的和稀疏的区域，因而发现全局的分布模式，以及数据属性之间的有趣的关系。
数据聚类分析是一个正在蓬勃发展的领域。聚类技术主要是以统计方法、机器学习、神经网络等方法为基础。比较有代表性的聚类技术是基于几何距离的聚类方法，如欧氏距离、曼哈坦距离、明考斯基距离等。
聚类分析广泛应用于商业、生物、地理、网络服务等多种领域。
数据挖掘中分类和回归的区别
11楼：不是7个汉字吗
单纯就这句话而言不能说错，只是不完全。
分类是指一类问题，而回归是一类工具。分类的目的在于给对象按照其类别打上相应的标签再分门别类，而回归则是根据样本研究其两个（或多个）变量之间的依存关系，是对于其趋势的一个分析**。
分类的标签如果是表示（离散的）有排序关系的类别时，比如说“好”、“较好”、“一般”这样的时候，也可以用回归来处理。但是如果标签是纯粹的分类，比如说电影中的“喜剧”、“动作”、“剧情”这样的无排序关系的标签时，就很难用回归去处理了。而且，分类中还存在着“多分类”的问题，也就是一个对象可能有多个标签的情况，这就更复杂了。
而同时，回归所能做的也并非只有分类，也可以用来做**等其他问题。
所以，回归和分类的区别并非只有输出的“定性”与“定量”那么简单，应该说两者属于不同的范畴。
12楼：正立天地
分类是将样本分到a, b , c ..... 这几个类中，a与b， b与c之间没有关系，比如不存在a与c的距离大于b与c的距离这种说法。
分类的话一般用二分类分类器，效果更好。
回归是将样本的label分到可行域上的一个特定的值， 比如1,1.1， 1.211， 这些数字，1.1 当然是比1.211 更加靠近 1。
回归的话，注意将样本进行数据预处理。
13楼：怒射輧醴嬽
理解有偏差，应该是针对输入数据而言的。
数据挖掘中分类和聚类的区别
14楼：day忘不掉的痛
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.
数据挖掘中的分类是什么?它与传统意义上的分类(如图书分类)有何不同
15楼：
大数据时代，把文科的见识和理工科的技术结合起来，有可能产生新的蓝海。比如说，好奇心+大数据=市场研究，文学创造力+互联网=社交网络经理，等等。