数据挖掘中分类和聚类有什么区别？
什么是聚类分析与数据挖掘？ 聚类分析是数据挖掘中的一种，聚类就是把具有相似特性的个体聚在一起，形成一个类。类内的个体属性最接近，类间的属性最不相似。常用的聚类算法有C—mean。
数据聚类的聚类类型 数据聚类算法可以分为结构性或者分散性。结构性算法利用以前成功使用过的聚类器进行分类，而分散型算法则是一次确定所有分类。结构性算法可以从上之下或者从下至上双向进行计算。从下至上算法从每个对象作为单独分类开始，不断融合其中相近的对象。而从上之下算法则是把所有对象作为一个整体分类，然后逐渐分小。距离测量在结构性聚类中，关键性的一步就是要选择测量的距离。一个简单的测量就是使用曼哈顿距离，它相当于每个变量的绝对差值之和。该名字的由来起源于在纽约市区测量街道之间的距离就是由人步行的步数来确定的。一个更为常见的测量是欧式空间距离，他的算法是找到一个空间，来计算每个空间中点到原点的距离，然后对所有距离进行换算。创建聚类在已经得到距离值之后，元素间可以被联系起来。通过分离和融合可以构建一个结构。传统上，表示的方法是树形数据结构，然后对该结构进行修剪。K-均值法及衍生算法K-均值法聚类 K-均值算法表示以空间中k个点为中心进行聚类，对最靠近他们的对象归类。例如：数据集合为三维，聚类以两点：X=(x1，x2，x3)and Y=(y1，y2，y3).中心点Z 变为 Z=(z1，z2，z3)，where z1=(x1+y1)/2 and z2=(x2+y2)/2 and z3=(x3+y3)/2.算法归纳。
时间序列数据的聚类有什么好方法？ 如题，时间序列尤其自然的特点，最。https：// en.wikipedia.org/wiki/A utoencoder Word2Vec：https：// en.wikipedia.org/wiki/W ord2vec，https：// samyzaf.com/ML/nlp/nlp. html
数据挖掘对聚类的数据要求是什么？ 1.可扩展性(Scalability)大多数来自于机器学习和统计学领域的聚类算法在处理数百条数据时能表现出高效率2.处理不同数据类型的能力数字型；二元类型，分类型/标称型，序数型，比例标度型等等3.发现任意形状的能力基于距离的聚类算法往往发现的是球形的聚类，其实现实的聚类是任意形状的4.用于决定输入参数的领域知识最小化对于高维数据，参数很难决定，聚类的质量也很难控制5.处理噪声数据的能力对空缺值、孤立点、数据噪声不敏感6.对于输入数据的顺序不敏感同一个数据集合，以不同的次序提交给同一个算法，应该产生相似的结果7.高维度高维度的数据往往比较稀松，而且高度倾斜8.基于约束的聚类找到既满足约束条件，又具有良好聚类特性的数据分组9.可解释性和可用性聚类要和特定的语义解释和应用相联系相异度矩阵：存储n个对象两两之间的近似性，也叫单模矩阵，行和列代表相同的实体
用于数据挖掘的聚类算法有哪些，各有何优势？ 如果真要做全面介绍的话，有可能是一部专著的篇幅。即使是做综述性的介绍，一篇三五十页的论文也可以写成…
数据分类和聚类有什么区别
聚类分析中常见的数据类型有哪些 聚类分析，又称群分析，即建立一种分类方法：将一批样品或者指标（变量），按照它们在性质上的亲疏、相似程度进行分类。按其聚类的方法，数据类型有以下六种：①系统聚类分析：开始每个对象自成一类，然后将最相似的两类合并，合并过后重新计算新类与其它类的距离或相近性程度。这一过程一直继续下去直到所有的对象归为一类为止②调优法（动态聚类法）：首先对n个对象进行初步分类，然后根据分类的损失函数尽可能小的原则对其进行调整，直到分类合理为止；③最优分割法（有序样品聚类法）：开始将所有样品看成一类，然后根据某种最优准则将他们分割为二类、三类，一直分割到所需要的K类为止；④模糊聚类法：利用模糊集理论来处理分类的问题，他将经济领域中最有模糊特征的两态数据或多态数据具有明显的分类效果；⑤图论据类法：利用图论中最小支撑树的概念来处理分类问题；⑥聚类预报法：聚类预报弥补了回归分析和判别分析的不足。按分类对象的不同：聚类分为R型和Q型
