分类和聚类的区别及各自的常见算法

最新推荐文章于 2025-06-13 15:58:12 发布

DQ_DM

最新推荐文章于 2025-06-13 15:58:12 发布

阅读量5.5k

点赞数 6

CC 4.0 BY-SA版权

分类专栏：分类和聚类的区别及各自的常见算法

本文链接：https://blog.csdn.net/DQ_DM/article/details/38230409

分类和聚类的区别及各自的常见算法专栏收录该内容

1 篇文章

订阅专栏

本文详细阐述了分类与聚类两种机器学习方法的区别及应用场景，介绍了常用的分类算法如决策树、朴素贝叶斯等，以及典型的聚类算法K均值。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

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，要求必须事先明确知道各个类别的信息，并且断言所有待分类项都有一个类别与之对应。但是很多时候上述条件得不到满足，尤其是在处理海量数据的时候，如果通过预处理使得数据满足分类算法的要求，则代价非常大，这时候可以考虑使用聚类算法。

而K均值(K-mensclustering)聚类则是最典型的聚类算法(当然，除此之外，还有很多诸如属于划分法K中心点（K-MEDOIDS）算法、CLARANS算法；属于层次法的BIRCH算法、CURE算法、CHAMELEON算法等；基于密度的方法：DBSCAN算法、OPTICS算法、DENCLUE算法等；基于网格的方法：STING算法、CLIQUE算法、WAVE-CLUSTER算法；基于模型的方法)。