分類算法與聚類算法的區(qū)別：

1.?類別是否預先定義是最直觀區(qū)別

算法書上往往這樣解釋二者的區(qū)別：分類是把某個對象劃分到某個具體的已經(jīng)定義的類別當中，而聚類是把一些對象按照具體特征組織到若干個類別里。雖然都是把某個對象劃分到某個類別中，但是分類的類別是已經(jīng)預定義的，而聚類操作時，某個對象所屬的類別卻不是預定義的。所以，對象所屬類別是否為事先，是二者的最基本區(qū)別。而這個區(qū)別，僅僅是從算法實現(xiàn)流程來看的。

2. 二者解決的具體問題不一樣

分類算法的基本功能是做預測。我們已知某個實體的具體特征，然后想判斷這個實體具體屬于哪一類，或者根據(jù)一些已知條件來估計感興趣的參數(shù)。比如：我們已知某個人存款金額是10000元，這個人沒有結婚，并且有一輛車，沒有固定住房，然后我們估計判斷這個人是否會涉嫌信用欺詐問題。這就是最典型的分類問題，預測的結果為離散值，當預測結果為連續(xù)值時，分類算法可以退化為計量經(jīng)濟學中常見的回歸模型。分類算法的根本目標是發(fā)現(xiàn)新的模式、新的知識，與數(shù)據(jù)挖掘數(shù)據(jù)分析的根本目標是一致的。

聚類算法的功能是降維。假如待分析的對象很多，我們需要歸歸類，劃劃簡，從而提高數(shù)據(jù)分析的效率，這就用到了聚類的算法。很多智能的搜索引擎，會將返回的結果，根據(jù)文本的相似程度進行聚類，相似的結果聚在一起，用戶就很容易找到他們需要的內(nèi)容。聚類方法只能起到降低被分析問題的復雜程度的作用，即降維，一百個對象的分析問題可以轉化為十個對象類的分析問題。聚類的目標不是發(fā)現(xiàn)知識，而是化簡問題，聚類算法并不直接解決數(shù)據(jù)分析的問題，而最多算是數(shù)據(jù)預處理的過程。

3. 有監(jiān)督和無監(jiān)督

分類是有監(jiān)督的算法，而聚類是無監(jiān)督的算法。有監(jiān)督的算法并不是實時的，需要給定一些數(shù)據(jù)對模型進行訓練，有了模型就能預測。新的待估計的對象來了的時候，套進模型，就得到了分類結果。而聚類算法是實時的，換句話說是一次性的，給定統(tǒng)計指標，根據(jù)對象與對象之間的相關性，把對象分為若干類。分類算法中，對象所屬的類別取決于訓練出來的模型，間接地取決于訓練集中的數(shù)據(jù)。而聚類算法中，對象所屬的類別，則取決于待分析的其他數(shù)據(jù)對象。

4. 數(shù)據(jù)處理的順序不同

分類算法中，待分析的數(shù)據(jù)是一個一個處理的，分類的過程，就像給數(shù)據(jù)貼標簽的過程，來一個數(shù)據(jù)，我放到模型里，然后貼個標簽。聚類算法中，待分析的數(shù)據(jù)同時處理，來一堆數(shù)據(jù)過來，同時給分成幾小堆。因此，數(shù)據(jù)分類算法和數(shù)據(jù)聚類算法的最大區(qū)別是時效性問題。在已有數(shù)據(jù)模型的條件下，數(shù)據(jù)分類的效率往往比數(shù)據(jù)聚類的效率要高很多，因為一次只是一個對象被處理，而對于聚類結果來說，每當加入一個新的分析對象，類別結果都有可能發(fā)生改變，因此很有必要重新對所有的待分析對象進行計算處理。

5. 典型的分類算法與聚類算法

典型的分類算法有：決策樹，神經(jīng)網(wǎng)絡，支持向量機模型，Logistic回歸分析，以及核估計等等。聚類的方法有，基于鏈接關系的聚類算法，基于中心度的聚類算法，基于統(tǒng)計分布的聚類算法以及基于密度的聚類算法等等。

總結

以上是生活随笔為你收集整理的聚类和分类的区别的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。