聚类算法和分类算法都用在什么地方？ 学了几个分类和聚类算法，不知道用来做什么 学了几个分类和聚类算法，不知道用来做什么 显示全部 不知道用来做什么，为什么要学呢？聚类算法可用于在大型集群中找到可能有。
标签传播算法是一种分类算法，还是聚类算法 在聚类分析中，K-均值聚类算法（k-meansalgorithm）是无监督分类中的一种基本方法，其也称为C-均值算法，其基本思想是：通过迭代的方法，逐次更新各聚类中心的值，直至得到最好的聚类结果.\\x0d假设要把样本集分为c个类别，算法如下：\\x0d（1）适当选择c个类的初始中心；\\x0d（2）在第k次迭代中，对任意一个样本，求其到c个中心的距离，将该样本归到距离最短的中心所在的类，\\x0d（3）利用均值等方法更新该类的中心值；\\x0d（4）对于所有的c个聚类中心，如果利用（2）（3）的迭代法更新后，值保持不变，则迭代结束，否则继续迭代.\\x0d下面介绍作者编写的一个分两类的程序，可以把其作为函数调用.\\x0d%function[samp1，samp2]=kmeans(samp)；作为调用函数时去掉注释符\\x0dsamp=[11.15066.72222.31395.901811.08275.745913.217413.82434.80050.937012.3576]；样本集\\x0d[l0l]=size(samp)；\\x0d%利用均值把样本分为两类，再将每类的均值作为聚类中心\\x0dth0=mean(samp)；n1=0；n2=0；c1=0.0；c1=double(c1)；c2=c1；fori=1：lifsamp(i)(i)；n1=n1+1；elsec2=c2+samp(i)；n2=n2+1；endendc1=c1/n1；c2=c2/n2；初始聚类中心t=0；cl1=c1；cl2=c2；\\x0dc11=c1；c22=c2；聚类中心whilet=0samp1=zeros(1，l)；\\x0dsamp2=。
聚类算法的聚类要求 许多聚类算法在小于 200 个数据对象的小数据集合上工作得很好；但是，一个大规模数据库可能包含几百万个对象，在这样的大数据集合样本上进行聚类可能会导致有偏的结果。我们需要具有高度可伸缩性的聚类算法。（high dimensionality）一个数据库或者数据仓库可能包含若干维或者属性。许多聚类算法擅长处理低维的数据，可能只涉及两到三维。人类的眼睛在最多三维的情况下能够很好地判断聚类的质量。在高维空间中聚类数据对象是非常有挑战性的，特别是考虑到这样的数据可能分布非常稀疏，而且高度偏斜。用户希望聚类结果是可解释的，可理解的，和可用的。也就是说，聚类可能需要和特定的语义解释和应用相联系。应用目标如何影响聚类方法的选择也是一个重要的研究课题。记住这些约束，我们对聚类分析的学习将按如下的步骤进行。首先，学习不同类型的数据，以及它们对聚类方法的影响。接着，给出了一个聚类方法的一般分类。然后我们详细地讨论了各种聚类方法，包括划分方法，层次方法，基于密度的方法，基于网格的方法，以及基于模型的方法。最后我们探讨在高维空间中的聚类和孤立点分析（outlier analysis）。
聚类与分类有什么区别？
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。
如何确定聚类算法中的类别个数？ 在分类算法中，一个最为困难的问题就是如何确定类别的个数。比如说K-均值中，组的个数往往是事先给定的。
在大数据分析中哪些聚类算法是最常使用的？
分类和聚类的区别及各自的常见算法 1、分类和聚类的区别：Classification(分类)，对于一个classifier，通常需要你告诉它“这个东西被分为某某类”这样一些例子，理想情况下，一个 classifier 会从它得到的训练集中进行“学习”，从而具备对未知数据进行分类的能力，这种提供训练数据的过程通常叫做supervised learning(监督学习)，Clustering(聚类)，简单地说就是把相似的东西分到一组，聚类的时候，我们并不关心某一类是什么，我们需要实现的目标只是把相似的东西聚到一起。因此，一个聚类算法通常只需要知道如何计算相似度就可以开始工作了，因此 clustering 通常并不需要使用训练数据进行学习，这在Machine Learning中被称作unsupervised learning(无监督学习).2、常见的分类与聚类算法所谓分类，简单来说，就是根据文本的特征或属性，划分到已有的类别中。如在自然语言处理NLP中，我们经常提到的文本分类便就是一个分类问题，一般的模式分类方法都可用于文本分类研究。常用的分类算法包括：决策树分类法，朴素贝叶斯分类算法(native Bayesian classifier)、基于支持向量机(SVM)的分类器，神经网络法，k-最近邻法(k-nearestneighbor，kNN)，模糊分类法等等。分类作为一种监督学习方法，要求必须。
