聚类和分类技术被用于机器学习、信息检索、图像调查和相关任务中。

这两种策略是数据挖掘过程的两个主要部分。在数据分析领域，这些是管理算法所必需的。具体来说，这两个过程都将数据划分为多个集合。这项任务在当今的信息时代非常重要，因为数据的大量增加加上开发需要适当地加以促进。

值得注意的是，聚类和分类有助于通过数据科学解决犯罪、贫困和疾病等全球性问题。

什么是聚类(clustering)？

基本上，聚类涉及到根据相似性对数据进行分组。它主要涉及距离度量和聚类算法，这些算法计算数据之间的差异并对它们进行系统划分。

例如，学习风格相似的学生被分组在一起，与学习方法不同的学生分开授课。在数据挖掘中，聚类最常被称为“无监督学习技术”，因为聚类是基于一个自然的或固有的特征。

它应用于信息技术、生物学、犯罪学和医学等多个科学领域。

聚类特征：

• 没有确切的定义

聚类没有精确的定义，这就是为什么有各种聚类算法或聚类模型。粗略地说，这两种聚类是硬聚类和软聚类。硬聚类涉及到将一个对象标记为是否仅仅属于一个聚类。相比之下，软聚类或模糊聚类指定了某个事物如何属于某个组的程度。

• 难以评估

由于聚类分析固有的不精确性，其结果的验证或评价往往难以确定。

• 无监督的

由于它是一种无监督的学习策略，因此本文的分析仅基于当前的特点；因此，不需要严格的监管。

什么是分类(classification)？

分类需要为现有的情况或类别分配标签；因此，术语“分类”。例如，表现出某些学习特征的学生被归类为视觉学习者。

分类也被称为“监督学习技术”，机器从已经标记或分类的数据中学习。它非常适用于模式识别、统计和生物特征识别。

分类特点

• 使用“分类器”

为了分析数据，分类器是一种定义的算法，它具体地将信息映射到特定的类。例如，分类算法将训练一个模型来识别某个细胞是恶性的还是良性的。

• 通过通用指标进行评估

分类分析的质量通常是通过精度和召回来评估的，这是一种流行的度量方法。对分类器在识别输出时的精度和灵敏度进行了评估。

• 被监督的

分类是一种有监督的学习技术，因为它根据可比较的特征分配先前确定的身份。它从一个带标签的训练集导出一个函数。

聚类与分类的区别

1. 监督

主要区别在于聚类是无监督的，被认为是“自学习”，而分类是有监督的，因为它依赖于预定义的标签。

1. 训练集的使用

聚类并不尖锐地使用训练集，训练集是用来生成分组的实例组，而分类迫切需要训练集来识别相似的特征。

1. 标记

聚类处理未标记的数据，因为它不需要训练。另一方面，分类处理过程中的未标记和标记数据。

1. 目标

聚类的目的是缩小对象之间的关系，从隐藏的模式中学习新的信息，而分类的目的是确定某个对象属于哪个显式组。

1. 细节

虽然分类并没有指定需要学习什么，但是聚类指定了所需的改进，因为它通过考虑数据之间的相似性来指出差异。

1. 阶段

一般来说，聚类只包括一个阶段（分组），而分类分为两个阶段：训练阶段（模型从训练数据集中学习）和测试阶段（目标类被预测）。

1. 边界条件

与聚类相比，边界条件的确定在分类过程中非常重要。例如，在建立分类时，需要知道“低”与“中等”和“高”的百分比范围。

1. 预测

与聚类相比，分类更多地涉及到预测，因为它特别旨在识别目标类。例如，这可以应用于“面部关键点检测”，因为它可以用于预测某个证人是否撒谎。

1. 复杂性

由于分类包含更多的阶段，涉及预测，涉及程度或层次，因此与聚类相比，分类的性质更为复杂，聚类主要涉及相似属性的分组。

1. 或然算法数

聚类算法主要是线性和非线性的，而分类则由线性分类器、神经网络、核估计、决策树和支持向量机等算法工具组成。

聚类(clustering) vs. 分类：比较聚类和分类差异的表格(classification: table comparing the difference between clustering and classification)

总结 - 论聚类(on clustering) vs. 分类(classification)

• 聚类分析和分类分析在数据挖掘过程中得到了广泛的应用。
• 这些技术应用于解决全球问题所必需的各种科学领域。
• 聚类主要处理无监督数据；因此，未标记分类与监督数据一起工作；因此，标记。这是聚类不需要训练集而分类需要训练集的主要原因之一。
• 与聚类相比，与分类相关的算法更多。
• 聚类旨在验证数据之间的相似性或不相似性，而分类则侧重于确定数据的“类”或组。这使得聚类过程更侧重于边界条件，分类分析更复杂，因为它涉及更多的阶段。