1楼：匿名用户
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。
2楼：溜到被人舔
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。
3楼：匿名用户
分类是指有监督的学习，即要分类的样本是有标记的,类别是已知的；聚类是指无监督的学习，样本没有标记，根据某种相似度度量把样本聚为k类。
4楼：jimmy马辉
自动分类是指由计算机自动提取信息的特征项，依据一定的算法，将信息按内容或属性归到一个或多个类别的过程。包括分类聚类。自动分类需要确定一个后台的分类表，根据既定的分类规则，将待分类文献确定一个或多个类别。
自动聚类不需要事先定义好分类体系，完全依靠数学分析方法提取类目，并根据类目积聚相似的对象。相比较而言自动聚类比自动分类在技术上更容易实现。
5楼：红色枫叶
聚类分析是在没有给定划分类别的情况下,根据数据相似度进行样本分组的一种方法。与分类模型需要使用有类标记样本构成的训练数据不同,
6楼：匿名用户
分类是向下细分，聚类是向上汇总。
7楼：匿名用户
数据分类和聚类它是有区别的。
8楼：是的覅公司**
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。
数据挖掘中分类和聚类有什么区别？
9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。
数据挖掘中分类和聚类的区别
10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.
数据挖掘中分类分析和聚类分析的区别
11楼：匿名用户
分类有监督 聚类无监督 就这个区别
分类要靠学习 聚类要靠启发式搜索
12楼：匿名用户
简单的说，分类是一种有监督的学习，事先知道训练样本的标签，通过挖掘将属于不同类别标签的样本分开，可利用得到的分类模型，**样本属于哪个类别。而聚类是一种无监督的学习，事先不知道样本的类别标签，通过对相关属性的分析，将具有类似属性的样本聚成一类。
13楼：匿名用户
我觉得分类是已知有哪些类型。而聚类有时候可以发现我们所不熟知的类别，根据数据内部结构特征，物以类聚，这个类别我们有时候是不知道的，甚至聚类后我们无法解释。
这样也导致分类采用监督分类，一般有训练样本（因为知道类型），而聚类多采用非监督的（因为不知道类型）
当然我们一般有时候聚类分析和分类分析没有分得特别清楚。聚类分析和分类分析都是来进行分门别类，发现数据间的共性和个性。
个人看法，仅供参考
数据挖掘中分类的目的是什么,数据挖掘中分类的目的是什么求解答
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...
uml分析类图与设计类图的区别,UML设计中分析类图和设计类图的区别
1楼 匿名用户 uml类图的概念 一 概述 uml类图 class diagram 是描述类 接口 协作以及它们之间关系的图，用来显示系统中各个类的静态结构。uml类图是定义其他图的基础，在uml类图基础上，可以使用状态图 协作图 组件图和配置图等进一步描述系统其他方面的特性。 uml类图包括7个元...
模型和数据库查询有什么区别,数据库中的概念模型和数据模型有什么区别
1楼 数据模型数据 data 是描述事物的符号记录。模型 model 是现实世界的抽象。数据模型 datamodel 是数据特征的抽象，是数据库管理的教学形式框架。 数据模型所描述的内容包括三个部分 数据结构 数据操作 数据约束。1 数据结构 数据模型 模型和数据库查询有什么区别 2楼 追忆小土豆 ...