聚类与分类有什么区别？ 好吧-自己的坑自己填上，以下都是自己总结和研究-我尽量以非常通俗的语言解释-…
聚类与分类分析之间有什么区别 通常有监督分类提供若干已标记模式(预分类过)需要解决问题新遇无标记模式进行标记典型情况下先给定无标记模式用来学习〔训练)反过来再用来。
层次聚类方法的聚类分类 根据聚类原理步骤3的不同，可将层次式聚类 方法分为几类：single-linkage，complete-linkage 以及average-linkage 聚类方抄法等.SL聚类，即single-linkage聚类法(也称connectedness 或minimum 方法)：类间距离等于两类对象袭之间的最小距离，若用相似度衡量，则是各类中的任一对象与另一类中任一对象的最大相似度。CL层次聚类，即complete-linkage聚类法(也称diameter 或maximum 方法)：组间距离等于两组对象之间的最大距离。AL层次聚类，即average-linkage聚类法组间距离等于两组对象之间的平均距离。average-link 聚类的一个变种是R.D'Andrade(1978)的UCLUS方法，它使用的是median距离，在受异知常数据对象的影响方面，它要比平均距离表现更佳一些.这种层次聚类称为“凝聚法，由于它迭代合并所有分类。也有一种“划分”层次聚类法，与“凝聚”道相反，它先将所有对象放在同一类中，并不断划分成更小的类，划分法一般很少使用。
聚类与分类分析之间有什么区别 通常，为有监督分类提供若干已标记的模式(预分类过)，需要解决的问题是为一个新遇到的但无标记的模式进行标记.在典型的情况下，先将给定的无标记的模式用来学习〔训练)，反过来再用来标记一个新模式.聚类需要解决的问题.
数据挖掘中分类和聚类有什么区别？ 分类是数据挖掘中的一项非常重要的任务，利用分类技术可以从数据集中提取描述数据类的一个函数或模型（也常称为分类器），并把数据集中的每个对象归结到某个已知的对象类中。从机器学习的观点，分类技术是一种有指导的学习，即每个训练样本的数据对象已经有类标识，通过学习可以形成表达数据对象与类标识间对应的知识。从这个意义上说，数据挖掘的目标就是根据样本数据形成的类知识并对源数据进行分类，进而也可以预测未来数据的归类。分类具有广泛的应用，例如医疗诊断、信用卡的信用分级、图像模式识别。与分类技术不同，在机器学习中，聚类是一种无指导学习。也就是说，聚类是在预先不知道欲划分类的情况下，根据信息相似度原则进行信息聚类的一种方法。聚 类的目的是使得属于同类别的对象之间的差别尽可能的小，而不同类别上的对象的差别尽可能的大。因此，聚类的意义就在于将观察到的内容组织成类分层结构，把 类似的事物组织在一起。通过聚类，人们能够识别密集的和稀疏的区域，因而发现全局的分布模式，以及数据属性之间的有趣的关系。数据聚类分析是一个正在蓬勃发展的领域。聚类技术主要是以统计方法、机器学习、神经网络等方法为基础。比较有代表性的聚类。
文本分类和聚类有什么区别 聚类就是将一组的文章或文本信息进行相似性的比较，将比较相似的文章或文本信息归为同一组的技术。分类和聚类都是将相似对象归类的过程。区别是，分类是事先定义好类别，。
聚类与分类有什么区别 简单地说，分类(Categorization or Classification)就是按照某种标准给对象贴标签(label)，再根据标签来区分归类。简单地说，聚类是指事先没有“标签”而通过某种成团分析。
