分類 和 聚類

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。