數據挖掘中，分類與聚類的區別

本文對數據挖掘中，極為常見的兩類算法：分類與聚類，做個梳理。
首先，來看看分類和聚類各自的一些定義描述。
分類(classification )：
分類算法需要學習，它通過學習找出描述并區分數據類的模型，以將模型應用于預測標記未知的對象類。即從歷史數據紀錄中通過學習，自動推導出對給定數據的推廣描述，從而能對未來數據進行預測。

分類的目的產出，是一個分類函數或分類模型，亦稱分類器，可以把數據庫中的數據項映射到預設類別其中一個。
分類器通過訓練樣本數據集來構造。訓練集由一組元組構成，每個元組是一個若干字段（又稱屬性或特征）值組成的特征向量，并包含有一個類別標記。一個具體樣本的形式可表示為：（V1,V2,…,Vn; c）；其中Vi表示字段值，c表示類別。
常見分類器的構造方法有決策樹、貝葉斯、ANN等。
可通過一下標準來對分類效果進行評估：
1）準確率。模型正確地預測新樣本的類標號的能力；
2）計算速度。包括構造模型以及使用模型進行分類的時間；
3）強壯性。模型對噪聲數據或空缺值數據正確預測的能力；
4）可伸縮性。對于數據量很大的數據集，有效構造模型的能力；
5）模型描述的簡潔性和可解釋性。模型描述愈簡潔、愈容易理解，則愈受歡迎。
預測準確度是用得最多的一種比較尺度，特別是對于預測型分類任務。而對于描述型的分類任務，模型描述越簡潔越受歡迎。
另外，分類的效果會樣本的特點有關，有的數據噪聲大，有的有空缺值，有的分布稀疏，有的字段或屬性間相關性強，有的屬性是離散的而有的是連續值或混合式的。不存在某種方法能適合于各種特點的數據。
聚類(clustering)：
聚類是如下所述的一個過程：
1） 根據“物以類聚”的原理，將本身沒有類別的樣本聚集成不同的對象集合——簇
2） 對簇進行描述
聚類的目的是使得同簇的樣本之間應該相似度最大化，而不同簇的樣本應相似度最小化。
聚類的目的旨在發現空間實體的屬性間的函數關系，表示挖掘所得知識的方程式，以屬性名為變量。
常見聚類算法包括：k-means聚類、層次聚類、SOM聚類、FCM聚類等。
分類與聚類的不同：
分類
1） 預設類別，類別數不變
2） 樣本有標記
3） 有指導學習
4） 適合類別或分類體系已經確定的場合
聚類
1） 無需預設類別，類別數不確定，類別在學習中生成
2） 樣本無標記，學習中標記
3） 無監督學習
4） 合不存在分類體系、類別數不確定的場合
5） 是一種探索式的學習