聚類(clustering)和分類(classification)的區別
聚類和分類技術被用於機器學習、資訊檢索、影象調查和相關任務中。
這兩種策略是資料探勘過程的兩個主要部分。在資料分析領域，這些是管理演算法所必需的。具體來說，這兩個過程都將資料劃分為多個集合。這項任務在當今的資訊時代非常重要，因為資料的大量增加加上開發需要適當地加以促進。
值得註意的是，聚類和分類有助於透過資料科學解決犯罪、貧困和疾病等全球性問題。
什麼是聚類(clustering)？
基本上，聚類涉及到根據相似性對資料進行分組。它主要涉及距離度量和聚類演算法，這些演算法計算資料之間的差異並對它們進行系統劃分。
例如，學習風格相似的學生被分組在一起，與學習方法不同的學生分開授課。在資料探勘中，聚類最常被稱為“無監督學習技術”，因為聚類是基於一個自然的或固有的特徵。
它應用於資訊科技、生物學、犯罪學和醫學等多個科學領域。
聚類特徵：
- 沒有確切的定義
聚類沒有精確的定義，這就是為什麼有各種聚類演算法或聚類模型。粗略地說，這兩種聚類是硬聚類和軟聚類。硬聚類涉及到將一個物件標記為是否僅僅屬於一個聚類。相比之下，軟聚類或模糊聚類指定了某個事物如何屬於某個組的程度。
- 難以評估
由於聚類分析固有的不精確性，其結果的驗證或評價往往難以確定。
- 無監督的
由於它是一種無監督的學習策略，因此本文的分析僅基於當前的特點；因此，不需要嚴格的監管。
什麼是分類(classification)？
分類需要為現有的情況或類別分配標簽；因此，術語“分類”。例如，表現出某些學習特徵的學生被歸類為視覺學習者。
分類也被稱為“監督學習技術”，機器從已經標記或分類的資料中學習。它非常適用於模式識別、統計和生物特徵識別。
分類特點
- 使用“分類器”
為了分析資料，分類器是一種定義的演算法，它具體地將資訊對映到特定的類。例如，分類演算法將訓練一個模型來識別某個細胞是惡性的還是良性的。
- 透過通用指標進行評估
分類分析的質量通常是透過精度和召回來評估的，這是一種流行的度量方法。對分類器在識別輸出時的精度和靈敏度進行了評估。
- 被監督的
分類是一種有監督的學習技術，因為它根據可比較的特徵分配先前確定的身份。它從一個帶標簽的訓練集匯出一個函式。
聚類與分類的區別
- 監督
主要區別在於聚類是無監督的，被認為是“自學習”，而分類是有監督的，因為它依賴於預定義的標簽。
- 訓練集的使用
聚類並不尖銳地使用訓練集，訓練集是用來生成分組的例項組，而分類迫切需要訓練集來識別相似的特徵。
- 標記
聚類處理未標記的資料，因為它不需要訓練。另一方面，分類處理過程中的未標記和標記資料。
- 目標
聚類的目的是縮小物件之間的關係，從隱藏的模式中學習新的資訊，而分類的目的是確定某個物件屬於哪個顯式組。
- 細節
雖然分類並沒有指定需要學習什麼，但是聚類指定了所需的改進，因為它透過考慮資料之間的相似性來指出差異。
- 階段
一般來說，聚類只包括一個階段（分組），而分類分為兩個階段：訓練階段（模型從訓練資料集中學習）和測試階段（目標類被預測）。
- 邊界條件
與聚類相比，邊界條件的確定在分類過程中非常重要。例如，在建立分類時，需要知道“低”與“中等”和“高”的百分比範圍。
- 預測
與聚類相比，分類更多地涉及到預測，因為它特別旨在識別目標類。例如，這可以應用於“面部關鍵點檢測”，因為它可以用於預測某個證人是否撒謊。
- 複雜性
由於分類包含更多的階段，涉及預測，涉及程度或層次，因此與聚類相比，分類的性質更為複雜，聚類主要涉及相似屬性的分組。
- 或然演算法數
聚類演算法主要是線性和非線性的，而分類則由線性分類器、神經網路、核估計、決策樹和支援向量機等演算法工具組成。
聚類(clustering) vs. 分類：比較聚類和分類差異的表格(classification: table comparing the difference between clustering and classification)
| 聚類 | 分類 |
| 無監督資料 | 監督資料 |
| 不高度重視訓練集 | 是否高度重視訓練集 |
| 僅適用於未標記的資料 | 涉及未標記和標記的資料 |
| 旨在識別資料之間的相似性 | 旨在驗證資料所屬的位置 |
| 指定所需的更改 | 未指定所需的改進 |
| 有單相 | 有兩個階段 |
| 確定邊界條件並不重要 | 確定邊界條件是執行階段的關鍵 |
| 一般不涉及預測 | 處理預測 |
| 主要採用兩種演算法 | 有許多可能的演算法可供使用 |
| 過程不那麼複雜 | 過程更複雜 |
總結 - 論聚類(on clustering) vs. 分類(classification)
- 聚類分析和分類分析在資料探勘過程中得到了廣泛的應用。
- 這些技術應用於解決全球問題所必需的各種科學領域。
- 聚類主要處理無監督資料；因此，未標記分類與監督資料一起工作；因此，標記。這是聚類不需要訓練集而分類需要訓練集的主要原因之一。
- 與聚類相比，與分類相關的演算法更多。
- 聚類旨在驗證資料之間的相似性或不相似性，而分類則側重於確定資料的“類”或組。這使得聚類過程更側重於邊界條件，分類分析更複雜，因為它涉及更多的階段。
- 發表於 2021-06-25 04:13
- 閱讀 ( 52 )
- 分類：網際網路
你可能感興趣的文章
分類(classification)和二項式命名法(binomial nomenclature)的區別
...較——表格形式的分類與二項命名法 6. 摘要 什麼是分類(classification)？ 分類是根據相似性和不同性對生物體進行分組。它把生物組織成群，因此很容易對它們進行研究。分類是分類學中最重要的組成部分之一。有不同級別的分...
銀行程式碼(swift code)和分類程式碼(sort code)的區別
...，瞭解SWIFT碼與分類碼的區別是非常有益的。SWIFT程式碼和分類程式碼是與銀行業務相關的兩個術語，尤其是在轉賬時。SWIFT程式碼和分類程式碼是兩種用於轉賬的方式。此外，這兩種密碼是方便和安全地轉賬的有用方法。如果兩...
upgma公司(upgma)和鄰接連線樹(neighbor joining tree)的區別
... 摘要 什麼是upgma公司(upgma)？ 在生物資訊學中，有不同的聚類技術。UPGMA代表未加權對組方法和算術平均數。它是一種分層分組方法。這種方法是由索卡爾和米切納介紹的。這是發展系統進化樹的最快技術。由此產生的系統發生...
酚類(phenetics)和分支學(cladistics)的區別
...學有助於對各種系統進行分類，同時有助於對生物體進行聚類和分組。在這一點上，酚類和支系學在建立生物體之間的關係方面起著重要作用。 目錄 1. 概述和主要區別 2. 什麼是酚類 3. 什麼是分支學 4. 酚類與分支學的相似性 5. ...
被監督的(supervised)和無監督機器學習(unsupervised machine learning)的區別
...器學習相關的演算法有很多種。其中一些是迴歸、分類和聚類。開發基於機器學習的應用程式最常用的程式語言是R和Python。也可以使用其他語言，如java、C++和MATLAB。 目錄 1. 概述和主要區別 2. 什麼是監督學習 3. 什麼是無監督學...
叢生的(clustered)和非聚集索引(nonclustered index)的區別
...–以表格形式顯示**索引與非**索引 6. 摘要 什麼是**索引(clustered index)？ 在**索引中，索引組織實際資料。它類似於電話簿。電話號碼是按字母順序排列的。在搜尋特定姓名時，可以找到相應的電話號碼。因此，聚類索引以有組...
分類(classification)和迴歸(regression)的區別
... 4. 並列比較-分類與表格形式的迴歸 5. 摘要 什麼是分類(classification)？ 分類是一種用於獲得示意圖的技術，該示意圖顯示以前體變數開始的資料組織。因變數是對資料進行分類的變數。 圖01：資料探勘 分類樹從自變數開始，根...
分類學(taxonomy)和分類學(systematics)的區別
...科，而分類學是研究物種多樣性的生物學領域。 分類學和分類學是生物學中密切相關的學科。然而，分類學和分類學之間有著有趣的區別。因為這兩者非常相似，我們中的許多人都希望它們具有相似的含義。因此，有必要對這...
分類(classification)和預測(prediction)的區別
分類(classification)和預測(prediction)的區別 分類和預測是與資料探勘相關的兩個術語。資料對於幾乎所有的組織來說都是重要的，以增加利潤和了解市場。純資料沒有多大價值。因此，為了得到有用的資訊，應該對資料進行處理...
二分鍵(dichotomous key)和分類關鍵字(taxonomic key)的區別
二分鍵和分類鍵的關鍵區別在於，二分鍵是最常用的識別鍵，它有助於識別未知個體，而分類鍵是用來識別特定物件的簡單工具。 金鑰是一種可以用來識別生物體的工具。它包含有關物種的資訊。因此，鑰匙的主要目的是便...
