数据挖掘中，分类与聚类的区别

本文对数据挖掘中，极为常见的两类算法：分类与聚类，做个梳理。
首先，来看看分类和聚类各自的一些定义描述。
分类(classification )：
分类算法需要学习，它通过学习找出描述并区分数据类的模型，以将模型应用于预测标记未知的对象类。即从历史数据纪录中通过学习，自动推导出对给定数据的推广描述，从而能对未来数据进行预测。

分类的目的产出，是一个分类函数或分类模型，亦称分类器，可以把数据库中的数据项映射到预设类别其中一个。
分类器通过训练样本数据集来构造。训练集由一组元组构成，每个元组是一个若干字段（又称属性或特征）值组成的特征向量，并包含有一个类别标记。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。
常见分类器的构造方法有决策树、贝叶斯、ANN等。
可通过一下标准来对分类效果进行评估：
1）准确率。模型正确地预测新样本的类标号的能力；
2）计算速度。包括构造模型以及使用模型进行分类的时间；
3）强壮性。模型对噪声数据或空缺值数据正确预测的能力；
4）可伸缩性。对于数据量很大的数据集，有效构造模型的能力；
5）模型描述的简洁性和可解释性。模型描述愈简洁、愈容易理解，则愈受欢迎。
预测准确度是用得最多的一种比较尺度，特别是对于预测型分类任务。而对于描述型的分类任务，模型描述越简洁越受欢迎。
另外，分类的效果会样本的特点有关，有的数据噪声大，有的有空缺值，有的分布稀疏，有的字段或属性间相关性强，有的属性是离散的而有的是连续值或混合式的。不存在某种方法能适合于各种特点的数据。
聚类(clustering)：
聚类是如下所述的一个过程：
1） 根据“物以类聚”的原理，将本身没有类别的样本聚集成不同的对象集合——簇
2） 对簇进行描述
聚类的目的是使得同簇的样本之间应该相似度最大化，而不同簇的样本应相似度最小化。
聚类的目的旨在发现空间实体的属性间的函数关系，表示挖掘所得知识的方程式，以属性名为变量。
常见聚类算法包括：k-means聚类、层次聚类、SOM聚类、FCM聚类等。
分类与聚类的不同：
分类
1） 预设类别，类别数不变
2） 样本有标记
3） 有指导学习
4） 适合类别或分类体系已经确定的场合
聚类
1） 无需预设类别，类别数不确定，类别在学习中生成
2） 样本无标记，学习中标记
3） 无监督学习
4） 合不存在分类体系、类别数不确定的场合
5） 是一种探索式的学习